21 мая 2026 года Саймон Уиллисон — создатель Datasette и сооснователь Django — опубликовал релиз datasette-agent-charts 0.1a2. Плагин расширяет Datasette Agent возможностью строить визуализации: агент формирует SQL-запрос, исполняет его и отображает результат в виде графика. Под каждым рендером — кнопка «View SQL query», которая показывает ровно тот запрос, что сгенерировал агент. Никакой магии, только полная аудитируемость.
Контекст
Datasette — это open-source инструмент для публикации и исследования SQLite-баз данных через веб-интерфейс. С момента запуска он стал стандартом де-факто в data-журналистике и среди разработчиков, которым нужно быстро «выставить» датасет наружу без лишней инфраструктуры. Уиллисон последовательно строит AI-слой поверх этого фундамента: Datasette Agent — отдельный проект, вышедший в тот же день, — даёт языковой модели доступ к базе и позволяет задавать вопросы на естественном языке.
datasette-agent-charts — следующий логичный шаг. Текстовый ответ агента хорош, но бизнес-пользователь думает категориями «покажи динамику» или «сравни сегменты» — ему нужен график, а не строки JSON. Плагин закрывает этот gap, добавляя визуальный слой прямо поверх агентного pipeline.
Версия 0.1a2 — ранняя альфа. Это сигнал: инструмент активно разрабатывается, интерфейс нестабилен, но уже пригоден для экспериментов. В open-source экосистеме Уиллисона подобные релизы исторически быстро набирают сообщество контрибьюторов.
Аналитика
Ключевая фича — не сами графики, а кнопка «View SQL query» под каждым из них. Это принципиальная позиция: агент не должен быть чёрным ящиком. Когда LLM генерирует SQL и сразу показывает его пользователю, снижается когнитивная нагрузка на доверие: человек видит логику, может проверить, поправить, переиспользовать. Этот паттерн — «агент объясняет своё действие» — постепенно становится стандартом качества для production-инструментов.
Более широкий тренд: AI-агенты всё чаще встраиваются не в отдельные чат-интерфейсы, а прямо в существующие data-инструменты. Вместо «открой ChatGPT, опиши задачу, скопируй SQL» — агент живёт внутри вашей базы и среды анализа. Это сокращает переключение контекста и увеличивает скорость инсайта в разы.
Для рынка это сигнал: выигрывают те инструменты, которые не пытаются заменить аналитика, а дают ему сверхспособности прямо на рабочем месте. Datasette Agent Charts — маленький, но точный пример этой философии.
Кейсы применения в бизнесе
B2B-SaaS стартап. Команда хранит операционные данные в SQLite или экспортирует их туда для анализа. Подключив Datasette Agent Charts, product-менеджер без SQL-навыков спрашивает: «Покажи retention по когортам за последние три месяца» — и получает график с SQL под ним. Разработчик может мгновенно проверить запрос и встроить его в основной pipeline. Экономия: часы аналитики превращаются в минуты.
Корпорация с legacy. Выгрузить нужный срез из ERP в SQLite, поднять локальный Datasette — и аналитический агент работает с данными без доступа к продакшн-системе. Кнопка «View SQL» делает каждый ответ агента аудитируемым для compliance-офицера. Это критично для финансовых и госструктур.
SMB и локальный бизнес в КР/СНГ. Небольшой e-commerce или розница ведёт данные в Google Sheets или простой БД. Экспорт в SQLite + Datasette Agent Charts — и владелец может задавать вопросы на русском языке, получать графики продаж, сезонности, топ-SKU. Без найма аналитика, без дорогих BI-инструментов.
Кейсы в личной жизни
Разработчик. Любой side-проект с SQLite-базой теперь получает встроенный аналитический интерфейс за несколько команд. Не нужно писать отдельные скрипты визуализации — агент сделает это по запросу и покажет SQL, который можно забрать в код.
Контент-мейкер и data-журналист. Открытые датасеты (статистика, выборы, экология) — в SQLite, Datasette Agent Charts — вопрос на языке читателя, график на выходе. Весь SQL виден, значит материал проверяем. Это прямая замена дорогостоящим BI-сервисам для независимых авторов.
Студент или исследователь. Курсовые данные, результаты экспериментов, открытые датасеты с Kaggle — всё это можно исследовать через разговорный интерфейс. Агент объясняет запрос — студент учится SQL в процессе работы, а не из учебника.
Как применить сегодня
- Установить Datasette:
pip install datasette, затемpip install datasette-agent-charts(alpha — ожидайте обновлений). - Запустить с вашим SQLite-файлом:
datasette your_data.dbи активировать плагин в конфиге. - Попробовать запросы на естественном языке — начните с простого: «Покажи топ-10 записей по [нужному полю]» и посмотрите сгенерированный SQL.
- Использовать кнопку «View SQL query» как инструмент обучения: каждый график — это готовый SQL-паттерн, который можно переиспользовать.
- Следить за репозиторием Саймона Уиллисона на GitHub — проект в активной разработке, обновления выходят часто.
«View SQL query» — это не вспомогательная деталь. Это архитектурное решение: агент должен быть объясним. Без этого любая визуализация — просто красивая ложь.