Datasette получил ИИ-агента: SQL-запросы на человеческом языке

21 мая 2026 года Simon Willison опубликовал обновление datasette-agent 0.1a3 — расширяемого AI-ассистента для Datasette. В этой итерации: кнопки «View SQL query» для видимых таблиц и для свёрнутых вызовов инструментов, фильтрация пустых reasoning-чанков, улучшенная обработка обрезанных ответов — таблица теперь всё равно отображается, даже если агент не получил весь результат целиком.

Контекст

Datasette — open-source инструмент для исследования и публикации SQLite-баз данных, созданный Willison. Он давно популярен среди журналистов-расследователей, аналитиков данных и разработчиков, которым нужно быстро поднять интерфейс поверх любого набора данных без сложной инфраструктуры. Datasette работает как на локальной машине, так и в облаке; публикует данные через REST-эндпоинты и позволяет писать SQL прямо в браузере.

datasette-agent — плагин, который добавляет к этому LLM-слой. Пользователь задаёт вопрос на естественном языке, агент формирует SQL, выполняет его через встроенные инструменты Datasette и возвращает результат с объяснением. Текущая версия — ранний alpha (0.1a3): API нестабилен, но концепция уже работоспособна.

Willison — один из наиболее последовательных исследователей применения LLM в инструментах для работы с данными. Его публичный блог фиксирует каждый значимый шаг в этой области, поэтому даже alpha-релиз стоит воспринимать как сигнал о направлении: AI-агент поверх SQL-базы становится стандартным паттерном, а не экзотикой.

Аналитика

Идея «задай вопрос — получи данные» существует давно, но именно сейчас для неё сложились условия. Современные LLM достаточно хорошо генерируют SQL для задач аналитики, а инструменты вроде Datasette уже предоставляют структурированный API, который агент может вызывать без дополнительной обвязки. datasette-agent делает ровно этот шаг: берёт готовую инфраструктуру и добавляет к ней разговорный интерфейс.

Важная деталь в changelog — обработка обрезанных ответов. Это не технический нюанс, а ключевая проблема production-агентов: если модель не уложилась в контекстное окно или запрос вернул слишком много строк, агент должен показать хоть что-то, а не упасть. Willison фиксит именно это — и это говорит о том, что инструмент движется в сторону надёжности, а не только демонстрационных возможностей.

Шире: мы наблюдаем тренд агентизации аналитических инструментов. Grafana, Metabase, Retool — все они в разной степени добавляют LLM-слой. Datasette делает это через open-source плагин, что означает расширяемость: любой может добавить свой инструмент, свою модель, свою логику маршрутизации. Это важнее, чем кажется — корпоративные решения закрыты, а Datasette открывает паттерн для сообщества.

Кейсы применения в бизнесе

B2B-SaaS стартап с аналитикой для клиентов. Если ваш продукт хранит данные клиента в SQLite или экспортирует их туда, datasette-agent позволяет дать клиенту интерфейс «задай вопрос по своим данным» без разработки custom BI-решения. Результат: сокращение времени на поддержку и повышение perceived value продукта — клиент сам находит инсайты.

Корпорация с legacy-хранилищами. Многие внутренние базы данных в крупных компаниях не имеют нормального интерфейса для нетехнических сотрудников. Выгрузить нужные таблицы в SQLite, поднять Datasette с datasette-agent на внутреннем сервере — и аналитик HR или финансов получает возможность задавать вопросы по данным без SQL-знаний. Минимальные инвестиции, быстрый результат.

SMB и локальный бизнес в КР/СНГ. Небольшой бизнес часто ведёт учёт в Excel или простых базах. Конвертация в SQLite и Datasette — тривиальная операция. После этого владелец или менеджер может спрашивать «какой товар продавался хуже всего в апреле» или «сколько клиентов вернулись повторно» без помощи программиста. Локализация под русский язык — вопрос правильного промпта.

Кейсы в личной жизни

Разработчик. Используешь Datasette для дебага или исследования данных в проекте — datasette-agent позволяет быстро формулировать сложные JOIN-запросы на естественном языке и сразу видеть сгенерированный SQL. Учишься на примерах агента, экономишь время на написании шаблонного кода.

Контент-мейкер или журналист-исследователь. Открытые данные (госзакупки, демография, результаты выборов) часто публикуются в CSV. Загрузить их в SQLite через Datasette и задавать вопросы на русском — рабочий pipeline для поиска историй в данных без глубоких технических знаний.

Студент или аналитик-самоучка. datasette-agent — отличный тренажёр: задаёшь вопрос, смотришь сгенерированный SQL, учишься понимать, как LLM декомпозирует запрос. Это живой пример работы агента с инструментами — полезнее большинства учебных туториалов.

Как применить сегодня

• Установить Datasette: pip install datasette, затем pip install datasette-agent — плагин доступен на PyPI.
• Запустить локально с любым SQLite-файлом: datasette your_data.db и открыть интерфейс агента в браузере.
• Попробовать вопросы по своим данным на русском языке — LLM справляется, если таблицы имеют понятные имена колонок.
• Изучить кнопку «View SQL query»: смотреть, что именно генерирует агент — это помогает отлавливать ошибки и обучает SQL-мышлению.
• Для production-сценария — следить за репозиторием: версия 0.1a3 означает нестабильный API, но архитектура уже понятна и можно строить прототип.