Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Tabnine, Jupyter AI en andere integraties

Les 10 van 14 Bijgewerkt op 2 november 2026 Ontwikkelaar
Op deze pagina
  1. Het Codestral-integratie-ecosysteem
  2. Tabnine met Codestral
  3. Jupyter AI: Codestral in Notebooks
  4. LangChain en LlamaIndex
  5. Tabby: De open-source assistent
  6. E2B: Veilige code-uitvoering
  7. Samenvatting van integraties
  8. Belangrijkste punten

Het Codestral-integratie-ecosysteem

Continue.dev is niet uw enige toegangspoort tot Codestral. Mistral AI heeft een ecosysteem rondom het model gebouwd dat de primaire tools in de stack van een moderne ontwikkelaar bestrijkt. De juiste keuze hangt minder af van de functielijst en meer van waar u al werkt: in een IDE, een notebook, een Python-pipeline of op een server die u zelf beheert. Deze les behandelt Tabnine, Jupyter AI, Python-frameworks, Tabby en E2B met die logica in het achterhoofd.

Tabnine met Codestral

Tabnine is een gevestigde AI-coding-assistent en de integratie met Codestral brengt de mogelijkheden van Mistral AI naar een interface die veel teams al kennen. U krijgt een AI-chatpaneel in de zijbalk voor contextbewuste gesprekken over uw code, snelle acties direct vanuit de IDE (repareren, uitleggen, documenteren in één klik), realtime automatisch aanvullen en projectbewustzijn. Tabnine indexeert uw codebase zodat de suggesties aansluiten bij uw huisstijl in plaats van webgemiddelden.

De installatie is bewust minimaal gehouden: in de instellingen van Tabnine selecteert u Codestral als model en de tool regelt de rest, inclusief API-aanroepen en contextbeheer. Die eenvoud is het verkoopargument. Kies Tabnine boven Continue als uw team het al gebruikt, als u enterprise-functies nodig heeft (SSO, auditlogs, compliance) die een CIO zal eisen voordat er een brede uitrol plaatsvindt, of als u de voorkeur geeft aan een beheerde oplossing boven het onderhouden van een configuratiebestand.

Jupyter AI: Codestral in Notebooks

Data scientists werken niet in een IDE; zij werken in JupyterLab, en Jupyter AI installeert Codestral daar. Een enkel commando volstaat voor de installatie.

pip install jupyter-ai

Vervolgens configureert u het via het Jupyter AI-paneel, waar u Mistral als provider invoert. U kunt ook magic commands direct in een notebook gebruiken, wat handig is voor demo’s of gedeelde sessies.

# In een notebook kunt u het ook programmatisch configureren
%load_ext jupyter_ai

# Gebruik Codestral voor cel-aanvulling
%ai codestral

De meerwaarde komt naar voren bij data-analysetaken. Codestral vult cellen aan terwijl u typt, vertaalt een beschrijving van een grafiek naar matplotlib- of plotly-code, zet een in het Engels beschreven transformatie om naar pandas-code en interpreteert uitvoer wanneer een resultaat u verrast. Dit alles werkt ook in JupyterLite, dat Jupyter direct in de browser draait zonder server – een ideale context voor demo’s of cursussen waarbij u niets op de machines van gebruikers wilt installeren.

LangChain en LlamaIndex

Wanneer Codestral een bouwsteen wordt in een applicatie in plaats van een assistent die voor u zit, nemen Python-frameworks het over. LangChain stelt het model bloot via de Mistral-integratie:

from langchain_mistralai import ChatMistralAI

llm = ChatMistralAI(
    model="codestral-latest",
    mistral_api_key="YOUR_KEY",
    temperature=0,
)

response = llm.invoke("Write a Python function that parses a CSV file into a dictionary")
print(response.content)

Let op een structurele beperking: LangChain dekt alleen het endpoint voor het volgen van instructies. Als uw applicatie aanvulling midden in een bestand nodig heeft, schakelt u over naar de Mistral SDK voor het FIM-gedeelte. LlamaIndex ondersteunt daarentegen beide endpoints, waardoor het de logische keuze is wanneer één dienst zowel moet converseren als aanvullen.

from llama_index.llms.mistralai import MistralAI

llm = MistralAI(
    model="codestral-latest",
    api_key="YOUR_KEY",
)

response = llm.complete("def quick_sort(lst):")
print(response.text)

Tabby: De open-source assistent

Tabby richt zich op teams die automatisch aanvullen willen zonder hun infrastructuur aan een derde partij toe te vertrouwen. Het is volledig open-source en self-hostable, en accepteert Codestral als backend via een enkel configuratiebestand.

# ~/.tabby/config.toml
[model.completion]
kind = "mistral/codestral-latest"
api_endpoint = "https://api.mistral.ai"
api_key = "YOUR_KEY"

E2B: Veilige code-uitvoering

Een model dat code schrijft, roept een vraag op die we vaak te lang uitstellen: waar voert u deze uit? E2B biedt beveiligde sandboxes om code uit te voeren die door Codestral is gegenereerd, zonder uw machine of buildserver bloot te stellen.

from e2b_code_interpreter import Sandbox

sandbox = Sandbox()

# Genereer code met Codestral
code = generate_code_with_codestral(prompt)

# Voer het uit in een beveiligde sandbox
execution = sandbox.run_code(code)
print(execution.results)

Drie scenario’s maken deze combinatie essentieel: CI/CD-pipelines die code genereren en vervolgens testen zonder menselijk toezicht, leerplatforms die code van onbekende leerlingen uitvoeren, en coding-agents die hun eigen outputs moeten verifiëren voordat ze deze voorstellen. Verwijder de sandbox uit een van deze drie opstellingen en het wordt onmogelijk om ze onbeheerd uit te voeren.

Samenvatting van integraties

ToolTypeFIMChatLokaalOpen-source
Continue.devIDE-extensieJaJaJaJa
TabnineIDE-extensieNeeJaNeeNee
Jupyter AIJupyter-pluginNeeJaNeeJa
LangChainPython-frameworkNeeJaN.v.t.Ja
LlamaIndexPython-frameworkJaJaN.v.t.Ja
TabbyCode-assistentJaJaJaJa
E2BSandboxN.v.t.N.v.t.NeeJa

Begin uw evaluatie met de kolom FIM: als uw primaire behoefte inline-suggesties zijn tijdens het typen, valt hiermee al de helft van de rijen af.

Belangrijkste punten

  • Tabnine biedt een Codestral-integratie met enterprise-functies
  • Jupyter AI brengt Codestral naar notebooks voor data scientists
  • LangChain en LlamaIndex laten u Codestral integreren in AI-pipelines
  • Tabby is een self-hostable, open-source alternatief
  • E2B biedt beveiligde sandboxes om gegenereerde code uit te voeren
  • Uw keuze hangt af van uw context: IDE, notebook, pipeline of agent