7 июля 2026 года вышел sqlite-migrate 0.2 — и сразу с пометкой «финальный». Вместо новых возможностей — compatibility shim поверх sqlite-utils 4.0, в котором миграции теперь встроены в ядро. Но главный сюжет спрятан в заметке о предыдущем релизе: rc2 sqlite-utils 4.0 «в основном написан Claude Fable» примерно за $149.
Контекст
Simon Willison — один из наиболее продуктивных open-source разработчиков Python-экосистемы. Соавтор Django, создатель Datasette и sqlite-utils — инструментов для работы с SQLite, которые используют тысячи разработчиков. sqlite-utils позволяет загружать данные, конвертировать CSV и JSON в базы, выполнять запросы через CLI и Python API. До версии 4.0 управление схемой было отдельной задачей — для этого Willison создал sqlite-migrate как самостоятельный пакет.
В 4.0 миграции вошли в ядро. Разработчику больше не нужно тащить два пакета. sqlite-migrate 0.2 остаётся ради обратной совместимости, но как shim: внутри он просто вызывает новый код из sqlite-utils 4.0. Библиотека выполнила задачу и уступает место.
Willison давно публично раскрывает стоимость AI-работы на своих проектах. Это не разовая демонстрация — он методично публикует, сколько конкретно стоил каждый шаг работы с LLM. В случае с 4.0rc2 — около $149 за Claude Fable, новую флагманскую модель Anthropic.
Аналитика
$149 за существенную часть release candidate реального open-source проекта — это другой разговор. Не черновик документации, не разовая функция. Release candidate — это код с историей, тестами, обратной совместимостью, ожиданиями пользователей. Claude Fable справился с этим уровнем задачи. Значит, вопрос «AI помогает с кодом» уже устарел. Актуальный: «какой процент задачи AI может закрыть самостоятельно?»
Willison — не типичный промпт-инженер, а опытный разработчик с десятилетиями практики. Когда такой человек говорит «модель написала основную часть» — это сигнал о качестве, а не о делегировании рутины. Claude Fable демонстрирует способность удерживать большой контекст существующей кодовой базы, понимать намерения и генерировать производственный код.
Параллельный сюжет — поглощение sqlite-migrate в sqlite-utils — это паттерн зрелой экосистемы. Меньше зависимостей, меньше пакетов на поддержке. Похожую динамику мы видим в Django (встроенные async views вместо сторонних решений), в Python (typing в стандартной библиотеке). Аналогичное движение будет происходить в AI-инструментарии: сторонние обёртки поглощаются базовыми фреймворками.
Кейсы применения в бизнесе
B2B-SaaS стартап: если в стеке SQLite — для прототипов, edge-деплоев или serverless — переход на sqlite-utils 4.0 даёт нативные миграции без Alembic. Для небольших команд это значительное упрощение. Параллельно: попробуйте делегировать написание migration-файлов и schema-изменений модели. Дайте ей текущую схему и требования к новой версии — замерьте стоимость и качество.
IT-студия с клиентскими проектами: паттерн Willison — считать стоимость AI-работы на задачу публично — полезен для обоснования ценообразования. Если клиент спрашивает, почему работа стоит столько «при наличии AI»: данные Willison показывают, что сложная работа с реальной кодовой базой стоит даже при AI. Это аргумент, а не признание неэффективности.
SMB / локальный бизнес в КР и СНГ: SQLite и sqlite-utils — хороший стек для аналитических дашбордов, внутренних CRM, небольших data-пайплайнов. После 4.0 можно управлять миграциями схемы прямо из Python-скриптов, без отдельной инфраструктуры. Это снижает порог входа для команд, которым не нужен полноценный PostgreSQL-стек.
Кейсы в личной жизни
Разработчик: воспроизведите подход Willison. Возьмите реальный модуль с тестами — не заготовку с нуля, а работу с существующим кодом — дайте задачу Claude Fable и зафиксируйте стоимость. Это откалибрует ваш личный ROI на AI-ассистирование точнее любых общих оценок.
Data-аналитик: sqlite-utils CLI — один из лучших инструментов для быстрой работы с данными без GUI. Загрузка CSV, JSON, выполнение SQL-запросов, экспорт — всё из командной строки. После обновления до 4.0 там ещё и миграции схемы. Если ещё не использовали — сейчас хороший момент начать.
Open-source мейнтейнер: публичное раскрытие стоимости AI-работы — как делает Willison — сигнал доверия к сообществу. Это не признание слабости, а демонстрация прозрачности. Такая практика помогает нормализовать использование AI в серьёзных проектах и даёт сообществу реальные данные вместо абстрактных утверждений об эффективности.
Как применить сегодня
- Обновите sqlite-utils до 4.0:
pip install -U sqlite-utils. Если был sqlite-migrate — можно оставить, он теперь работает как shim поверх нового ядра. - Дайте Claude Fable реальную задачу с кодовой базой: возьмите существующий модуль, попросите добавить функциональность с тестами. Зафиксируйте стоимость через API usage — это ваши данные для ROI-анализа.
- Следите за блогом Willison — он систематически публикует кейсы работы с LLM с конкретными цифрами стоимости. Один из лучших практических источников по AI-ассистированной разработке.
- Для data-задач попробуйте sqlite-utils CLI:
sqlite-utils insert data.db mytable data.csv --csv— быстрее большинства GUI-инструментов для импорта.