Notebooks Marimo

Notebooks Python limités à un espace de travail et à vos tables gérées — réactifs, gouvernés, sans stack data science séparée.

Les notebooks Marimo sont des notebooks Python qui s'exécutent dans votre cluster Scrydon, limités à un espace de travail et préconfigurés avec vos tables gérées. Ils sont réactifs — les cellules se réexécutent lorsque leurs entrées changent — et sont soumis à la même gouvernance que tout le reste.

À quoi servent-ils

Cas d'utilisation	Pourquoi Marimo
Analyse ad hoc sur une table gérée	Pas besoin d'exporter — interrogez la table depuis Python avec les masques de l'utilisateur déjà appliqués
Construire un rapport ponctuel	Les cellules réactives rendent l'itération rapide
Ébaucher un pipeline de feature engineering avant de le transformer en workflow	Même surface de données, même gouvernance
Exécuter des évaluations de modèles sur des données historiques	Les notebooks peuvent rappeler le moteur de workflow pour l'inférence

Comment ils sont délimités

Un notebook appartient à un espace de travail et est authentifié par rapport à l'utilisateur qui l'a ouvert :

Les lectures appliquent les masques et filtres de lignes de l'utilisateur.
Les écritures dans les tables gérées passent par l'autorisation managed-table:write de l'utilisateur.
Les artefacts du notebook (jeux de données produits, graphiques rendus) héritent par défaut de la classification de l'espace de travail.

Il n'y a pas de super-utilisateur marimo-admin qui contourne la gouvernance — le notebook est simplement un autre appelant.

Helpers intégrés

La plateforme expose une bibliothèque Python légère dans chaque notebook pour les opérations courantes :

from scrydon import tables, kb, llm

# Lire une table gérée — masquage des colonnes déjà appliqué
df = tables.read("compliance_authorities")

# Interroger la base de connaissances — habilitation déjà appliquée
results = kb.search("regulatory framework Q3", limit=10)

# Appeler un LLM via Cortex — même routage que les workflows
answer = llm.complete(model="default", prompt="Summarise the trends in this data: " + df.head().to_string())

Vous pouvez également utiliser toute bibliothèque Python installée — pandas, numpy, scikit-learn, plotly, …

Réactivité

La réactivité de Marimo est ce qui le rend utile ici. Modifiez un paramètre en haut du notebook (ex. le nom de la table, la plage de dates, le filtre), et toutes les cellules dépendantes se réexécutent. Pas d'état obsolète, pas de rituels « tout réexécuter ».

Partage

Les notebooks sont limités à l'espace de travail. Partager un notebook avec un autre membre de l'espace de travail est une opération en un clic — ils obtiennent une vue en lecture seule qui se réexécute dans leur propre session, avec leurs propres masques appliqués.

Les notebooks n'exportent pas de données brutes. Un utilisateur avec une habilitation faible qui ouvre un notebook produit par un utilisateur avec une habilitation supérieure réexécute les requêtes sous sa propre identité — il ne voit pas les résultats mis en cache de l'utilisateur à habilitation élevée.

Ce qu'ils ne font pas

Les notebooks Marimo ne remplacent pas le moteur de workflow. Ils sont destinés à l'analyse, pas aux déclencheurs de production.
Ils n'ont pas de planification / cron stable. Si vous en avez besoin, construisez un workflow ou une automatisation.
Ils n'exposent pas d'API HTTP publique. Ce sont des surfaces UI.

Voir aussi

Architecture → Stack Analytics — où Marimo se situe dans le cluster.
Tables gérées — ce que lisent les notebooks.
Classification et masquage — quelle gouvernance s'applique.