11 сентября 2026 года вышли два патча Datasette — 1.0a39 (alpha-серия) и 0.65.4 (стабильная ветка). Это не плановые релизы: security-фиксы, которые нужно применить немедленно всем, кто держит публичный Datasette-инстанс, особенно если на нём смешаны открытые и приватные таблицы.
Контекст
Datasette — инструмент Саймона Уиллисона для публикации SQLite-баз в виде API и веб-интерфейса. Его активно используют журналисты, data-инженеры, исследователи и команды, которым нужно быстро открыть данные наружу без сложного бэкенда. Инстансы нередко смешивают публичные и приватные таблицы в одной базе — и именно это сочетание создаёт риск утечки через граничные случаи в правах доступа.
Уязвимости изначально заметил Sevban Dönmez. Дальше в работу включились Уиллисон и Алекс Гарсия. Вместо того чтобы сразу писать фиксы «на глаз», они решили поставить эксперимент: провести полноценный аудит с помощью Claude Fable 5.1, GPT-5.6 и GPT-6 Astra параллельно. На разбор ушло почти неделю совместной работы в закрытом приватном репозитории.
Примечательно, что три разные модели работали независимо. Это не случайность — разные «точки зрения» на один и тот же код дают разные находки. Что одна модель сочла нормальным, другая пометила как подозрительное.
Аналитика
История с Datasette — иллюстрация того, как frontier-модели меняют само понятие code review. Раньше безопасность open source держалась на трёх столпах: ответственный disclosure от исследователей, ручной аудит командой и иногда платный pentest. Всё это дорого, медленно и зависит от доступности людей. Теперь появился четвёртый столп: LLM-аудит, который масштабируется горизонтально, не устаёт и не пропускает граничные случаи из-за «привычки к коду».
Уиллисон прямо сказал: «Они помогли найти очень тонкие баги». Это не маркетинговая фраза — именно «тонкие» баги (race conditions, edge cases в правах доступа, неочевидные пути выполнения) исторически самые опасные, потому что они проходят мимо стандартного ревью. Модели читают код без накопленных ментальных упрощений.
Ещё важнее: команда объявила, что security-аудиты frontier-моделями войдут в постоянный процесс разработки. Это сигнал для всей экосистемы open source. Если один из самых известных Python-разработчиков мира встраивает LLM в security pipeline — это скоро станет нормой, а не исключением.
Кейсы применения в бизнесе
B2B-SaaS стартап с небольшой командой. У вас нет отдельного security-инженера, но есть публичное API. Запустите Claude или GPT-6 на весь слой авторизации с промптом «найди все пути, где авторизация может быть обойдена». Модель выдаст список подозрительных мест за часы, а не недели. Стоимость — токены; экономия — потенциальный инцидент с утечкой данных.
Корпорация с legacy-кодом. Аудит унаследованного кода на Python 2 или старом Java — классически дорогая задача для консультантов. LLM читает любой синтаксис, не требует онбординга и может пройти по 200 000 строк за несколько часов. Результат — приоритизированный список уязвимостей, с которым уже работает команда разработки.
SMB или государственная организация в КР/СНГ. Datasette-подобные инструменты часто используют для внутренних порталов с данными, которые «чуть открытые». Именно такая конфигурация — микс публичного и приватного — и была уязвима. Прогнать конфиг через LLM перед деплоем — дешевле любого аудита.
Кейсы в личной жизни
Разработчик, ведущий open source проект. Workflow от Алекса Гарсии: попроси модель написать тесты, которые ломают твой код, а сам пиши фиксы — или наоборот. Два независимых взгляда на каждый баг, один из которых не устаёт и не торопится.
Фрилансер или подрядчик. Перед сдачей проекта клиенту прогони итоговый код через security-промпт. Это занимает 15 минут и превращается в конкурентное преимущество: «я провёл LLM-аудит перед сдачей» — это уже выше среднего рынка.
Студент или джун. Учиться на реальных уязвимостях эффективнее, чем на абстракции. Попроси Claude разобрать публичные CVE или объяснить, что именно было не так в Datasette-патче — получишь живой урок по безопасности с реальным кодом.
Как применить сегодня
- Если у вас есть публичный Datasette-инстанс — обновите до 1.0a39 или 0.65.4 прямо сейчас, особенно если смешаны публичные и приватные таблицы.
- Возьмите workflow Гарсии: отдайте модели задачу писать failing tests для вашего кода, а сами пишите фиксы. Запустите с промптом: «Напиши тесты, которые демонстрируют возможные проблемы с авторизацией в этом коде: [вставить код]».
- Для аудита используйте несколько моделей одновременно — Claude и GPT дают разные «слепые пятна», разница в находках реальная.
- Добавьте LLM-аудит как шаг в CI/CD перед релизом: промпт «найди security issues» + ручная верификация находок занимает час, но ловит то, что пропускает линтер.
- Уязвимости в смешанных public/private данных — системная проблема. Проверьте любые инстансы, где права доступа задаются динамически или смешиваются уровни видимости.