Перейти к основному содержанию
Cursor предоставляет интегрированные инструменты для разработки в сфере data science: воспроизводимые окружения, поддержку ноутбуков и AI‑ассистента для кода. В этом руководстве разобраны основные варианты настройки для Python, R и SQL‑пайплайнов.

​
Разработка в ноутбуках

Для полной поддержки ноутбуков скачай расширение Jupyter (id: ms-toolsai.jupyter), опубликованное ms-toolsai.
Cursor поддерживает файлы .ipynb и .py с встроенным выполнением ячеек. Tab, Inline Edit и Agents работают в ноутбуках так же, как и в других файлах кода. Ключевые возможности:
  • Выполнение ячеек inline запускает код прямо в интерфейсе редактора
  • Tab, Inline Edit и Agent понимают библиотеки для data science, включая pandas, NumPy, scikit-learn, а также SQL magic-команды

​
Интеграция баз данных

Базы данных можно интегрировать с Cursor двумя основными способами: через MCP‑серверы и расширения.
  • MCP‑серверы позволяют твоим агентам подключаться к твоим базам данных
  • Расширения интегрируют твою IDE в целом с твоими базами данных

​
Через MCP

MCP‑серверы позволяют твоему агенту выполнять запросы напрямую к базе данных. Это даёт агенту возможность по мере необходимости обращаться к базе, писать корректный запрос, запускать команду и анализировать результаты — всё в рамках одной задачи. Например, ты можешь подключить базу данных Postgres к своему экземпляру Cursor, добавив в Cursor следующую конфигурацию MCP: 
{
  "mcpServers": {
    "postgres": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-postgres",
        "postgresql://localhost/mydb"
      ]
    }
  }
}
Подробнее о MCP смотри в нашей документации по MCP.

​
Через расширения

Поставь расширения для конкретных баз данных (PostgreSQL, BigQuery, SQLite, Snowflake), чтобы выполнять запросы прямо из редактора. Это убирает переключение между инструментами и включает помощь ИИ для оптимизации запросов. 
-- Cursor подсказывает индексы, оконные функции и варианты оптимизации запросов
SELECT
    user_id,
    event_type,
    COUNT(*) as event_count,
    RANK() OVER (PARTITION BY user_id ORDER BY COUNT(*) DESC) as frequency_rank
FROM events
WHERE created_at >= NOW() - INTERVAL '7 days'
GROUP BY user_id, event_type;
Используй Агентов, чтобы анализировать медленные запросы, предлагать улучшения производительности или генерировать код визуализации для результатов запросов. Cursor понимает контекст SQL и может рекомендовать подходящие типы диаграмм на основе структуры твоих данных.
Расширение Snowflake

​
Визуализация данных

AI‑помощник Cursor работает и с библиотеками визуализации данных, включая Matplotlib, Plotly и Seaborn. Агент может генерировать код для визуализации, помогая тебе быстро и удобно исследовать данные и создавая воспроизводимый артефакт, которым легко поделиться. 
import plotly.express as px
import pandas as pd

# ИИ предлагает подходящие типы графиков на основе столбцов данных
df = pd.read_csv('sales_data.csv')
fig = px.scatter(df, x='advertising_spend', y='revenue',
                 color='region', size='customer_count',
                 title='Выручка и рекламные расходы по регионам')
fig.show()

​
Часто задаваемые вопросы

Могу ли я использовать существующие Jupyter notebooks? Да, Cursor открывает файлы .ipynb с полной поддержкой выполнения ячеек и AI-дополнения. Как работать с большими наборами данных, которые не помещаются в память? Используй библиотеки для распределённых вычислений, такие как Dask, или подключайся к кластерам Spark через Remote-SSH к более мощным машинам. Поддерживает ли Cursor файлы R и SQL? Да, Cursor предоставляет AI-помощь и подсветку синтаксиса для скриптов R (.R) и файлов SQL (.sql). Как лучше делиться средами разработки? Закоммить папку .devcontainer в систему контроля версий. Участники команды смогут автоматически пересобрать окружение при открытии проекта. Как отлаживать пайплайны обработки данных? Используй встроенный отладчик Cursor с точками останова в Python-скриптах или задействуй Agent, чтобы пошагово анализировать и объяснять сложные преобразования данных.

​
Воспроизводимость среды

​
Контейнеры разработки

Контейнеры разработки помогают обеспечить единообразные среды выполнения и зависимости для всей команды и для окружений деплоя. Они позволяют избавиться от ошибок, связанных со средой, и сокращают время онбординга для новых участников команды. Чтобы использовать контейнер разработки, сначала создай папку .devcontainer в корне репозитория. Затем создай файлы devcontainer.json, Dockerfile и requirements.txt. 
// .devcontainer/devcontainer.json
{
  "name": "ds-env",
  "build": { "dockerfile": "Dockerfile" },
  "features": {
    "ghcr.io/devcontainers/features/python:1": { "version": "3.11" }
  },
  "postCreateCommand": "pip install -r requirements.txt"
}

# .devcontainer/Dockerfile
FROM mcr.microsoft.com/devcontainers/python:3.11
COPY requirements.txt .
RUN pip install --upgrade pip && \
    pip install -r requirements.txt

# requirements.txt
pandas==2.3.0
numpy
# добавь другие зависимости, которые нужны для твоего проекта
Cursor автоматически обнаружит devcontainer и предложит открыть проект заново внутри контейнера. Либо можно вручную открыть проект в контейнере через Command Palette (Ctrl+Shift+P) и поиск по Reopen in Container. Контейнеры для разработки дают несколько преимуществ:
  • Изоляция зависимостей предотвращает конфликты между проектами
  • Воспроизводимые сборки обеспечивают одинаковое поведение в средах разработки и продакшене
  • Упрощённое онбординг позволяет новым участникам команды сразу начать работу без ручной настройки

​
Удалённая разработка по SSH

Когда для анализа нужны дополнительные вычислительные ресурсы, GPU или доступ к приватным датасетам, подключайся к удалённым машинам, сохраняя локальную среду разработки.
  1. Разверни облачный инстанс или получи доступ к on-premises серверу с нужными ресурсами
  2. Клонируй репозиторий на удалённую машину, включая конфигурацию .devcontainer
  3. Подключись через Cursor: Ctrl+Shift+P → “Remote-SSH: Connect to Host”
Этот подход сохраняет единый инструментарий и позволяет масштабировать вычислительные ресурсы по мере необходимости. Одна и та же конфигурация devcontainer работает и в локальной, и в удалённой среде.