21 мая 2026 года Саймон Уиллисон объявил о первом релизе Datasette Agent — разговорного AI-агента поверх Datasette. Вопрос на естественном языке превращается в SQL-запрос, запрос уходит в базу, ответ возвращается обратно в виде текста или графика. Демо-инстанс работает на Gemini Flash-Lite и открыт публично. Пример из демо: вопрос «когда Саймон последний раз видел пеликана?» — агент написал SELECT с LIKE по двум полям, нашёл запись от 20 мая 2026 года с California Brown Pelican.
Контекст
Datasette — опенсорс-инструмент для публикации SQLite-баз в виде веб-интерфейса. Уиллисон разрабатывает его несколько лет; параллельно он строил LLM — Python-библиотеку для работы с языковыми моделями через единый интерфейс. Datasette Agent — это их первое прямое объединение: LLM-слой получает схему базы, историю разговора и инструменты (tool calls), а Datasette отвечает за хранение и выполнение запросов.
Архитектура намеренно плагинная — как и весь Datasette. На старте вышли три плагина: datasette-agent-charts рисует графики через Observable Plot, datasette-agent-openai-imagegen добавляет генерацию изображений через ChatGPT Images 2.0, datasette-agent-sprites запускает код в изолированном Fly Sprites sandbox. Уиллисон отмечает, что Claude Code и OpenAI Codex хорошо справляются с написанием плагинов — достаточно дать им репозиторий в качестве контекста.
Агент работает не только с облачными моделями. Один uv-вызов с флагом --with llm-lmstudio запускает его против локальной Gemma-4-26b-a4b в LM Studio на Mac. По словам автора, открытые модели последних шести месяцев всё увереннее справляются с надёжными tool calls и генерацией SQLite-запросов.
Аналитика
Datasette Agent наглядно показывает, куда движется «data tooling» в эпоху агентов. Раньше аналитик писал SQL руками или ждал дата-инженера. Теперь достаточно поднять Datasette + плагин и задать вопрос голосом или текстом. Ключевое здесь — не сам факт «LLM пишет SQL» (это давно умеют многие инструменты), а то, что Datasette Agent встроен в экосистему с плагинами, открытым кодом и поддержкой локальных моделей. Это снижает барьер для команд, которые не хотят отдавать данные в облако.
Плагинная модель — умный архитектурный выбор. Вместо монолита с десятками встроенных функций автор выпускает минимальное ядро и даёт сообществу инструменты для расширения. Claude Code пишет плагины по образцу из репозитория — значит, порог входа для кастомизации приближается к нулю. Для AI-first компаний это конкретный паттерн: строй ядро с хуками, отдавай расширения агентам.
Параллельно Уиллисон упоминает готовящийся LLM 0.32 со стабильными «agent abstractions», которые будут извлечены из Datasette Agent. То есть инструмент одновременно является и продуктом, и полигоном для доработки базовой библиотеки. Такой цикл «buildlearnabtract» — характерный паттерн для опенсорс-разработчиков, которые параллельно ведут несколько взаимосвязанных проектов.
Кейсы применения в бизнесе
B2B-SaaS стартап. Внутренняя аналитика по клиентам, churn-сигналам, использованию фич — часто лежит в SQLite или PostgreSQL. Поднять Datasette Agent поверх prod-реплики и дать product-менеджеру задавать вопросы на русском — конкретная задача на один день. Результат: PM перестаёт ждать дата-аналитика по каждому ad-hoc запросу.
Корпорация с legacy. Если данные живут в CSV-выгрузках из старых ERP, их можно импортировать в SQLite и подключить Datasette Agent как временный «data chatbot» без переноса на новую платформу. Это не замена хранилищу данных, но быстрый способ дать бизнес-пользователям самообслуживание до полноценной миграции.
SMB / локальный бизнес в КР и СНГ. Небольшой магазин или сервисная компания с данными в Google Sheets или 1С — экспорт в SQLite + Datasette Agent позволяет руководителю спрашивать «какие товары чаще возвращают в мае?» без привлечения программиста. Локальная модель через LM Studio снимает вопрос о передаче коммерческих данных в облако.
Кейсы в личной жизни
Разработчик. Личные проекты, логи, история коммитов, трекер привычек — всё это можно собрать в одну SQLite-базу и исследовать через Datasette Agent. Уиллисон называет это концепцией «Claw» — персональный ИИ-ассистент, построенный вокруг данных из разных частей цифровой жизни. Конкретный старт: экспортировать историю браузера или данные из Obsidian и поднять агента локально.
Контент-мейкер и исследователь. Датасеты по темам, которые вы освещаете — статистика, публичные реестры, соцсети — можно загрузить в Datasette и опрашивать через агента без написания скриптов. Поиск аномалий, проверка гипотез, поиск историй в данных становится разговором, а не задачей на полдня.
Студент / аналитик-самоучка. Datasette Agent с плагином charts — практически готовый инструмент для учебных проектов. Загрузи публичный датасет (например, global-power-plants, который используется в демо), задавай вопросы, смотри как генерируется SQL — это быстрее обучает реальным запросам, чем любой курс.
Как применить сегодня
- Установить через
pip install datasette datasette-agent, подключить любую SQLite-базу и запустить демо локально — займёт 10 минут. - Добавить
datasette-agent-chartsесли нужна визуализация: плагин ставится одной командой и сразу включается в интерфейс агента. - Для приватных данных подключить локальную модель через LM Studio и
llm-lmstudio— данные не покидают машину. - Попробовать написать кастомный плагин: дать Claude Code репозиторий datasette-agent как контекст и описать нужный инструмент — по словам автора, это работает уже сейчас.
- Следить за релизом LLM 0.32 — там появятся стабильные agent abstractions, которые можно будет переиспользовать в своих проектах поверх любой модели.
«Claude Code и OpenAI Codex оба отлично справляются с написанием плагинов — просто укажи им на checkout репозитория datasette-agent и скажи, что хочешь построить» — Саймон Уиллисон