11 июня 2026 года Simon Willison выпустил Datasette 1.0a33 — альфу, которая существенно продвигает проект к стабильному релизу. Ключевое изменение: паттерн ?_extra=, впервые появившийся в 1.0a3, наконец распространился с таблиц на запросы и строки. Заодно паттерн получил нормальную документацию. Но главным материалом для разговора оказался не сам релиз, а то, как Willison его иллюстрировал.
Контекст
Datasette — open source инструмент для публикации SQLite-баз данных в виде веб-API и интерактивных интерфейсов. Simon Willison — один из создателей Django — развивает его уже несколько лет. Проект давно стал стандартом де-факто для журналистов-датавизов, исследователей и небольших команд, которым нужно быстро «вытащить данные в браузер» без лишней инфраструктуры.
Паттерн ?_extra= — это механизм расширения JSON-ответов API: клиент явно указывает, какие дополнительные поля ему нужны (метаданные, агрегаты, фасеты), и не получает лишнего. До a33 паттерн работал только для таблиц. Теперь он покрывает запросы и строки — API стал ортогональным и предсказуемым.
История проекта показательна сама по себе: нишевый open source инструмент, который дошёл до версии 1.0a33 — это больше 30 итераций альфы. Индустрия смотрит: Datasette 1.0 stable будет означать зрелый, стабильный контракт API.
Аналитика
Но интереснее другое. Чтобы продемонстрировать новый функционал, Willison построил кастомный API-эксплорер — и описал рабочий процесс открыто: Claude Fable 5 в Claude Code отвечал за план, GPT-5.5 xhigh в Codex Desktop — за реализацию. Это не абстрактное «использую ИИ», а конкретная оркестровка: разные модели для разных задач в одном флоу.
Такой подход симптоматичен для 2026 года. Рынок пришёл к специализации агентов: одна модель хороша в декомпозиции и архитектурном мышлении, другая — в генерации кода с высокой точностью. Строить инструменты с таким разделением — уже не экзотика, а паттерн. Willison назвал API-эксплореры «почти бесплатными в сборке» именно потому, что умеет правильно распределять задачи между моделями.
Для разработчиков инструментов и API-дизайнеров это важный сигнал: стоимость вспомогательной инфраструктуры (документация, эксплореры, примеры) стремится к нулю. Конкурентное преимущество смещается к качеству самого API-контракта, а не к его обвязке.
Кейсы применения в бизнесе
B2B-SaaS стартап. Внутренние данные — аналитика, логи, события — лежат в SQLite или PostgreSQL. Datasette позволяет за часы дать non-tech команде (продажи, поддержка) браузерный доступ к этим данным без отдельного BI-инструмента. С паттерном ?_extra= фронтенд получает ровно те поля, что нужны — без over-fetching. Добавьте туда AI-эксплорер по образцу Willison — и менеджер по продукту сам пишет «запросы» на естественном языке.
Корпорация с legacy. Исторические данные в десятках разрозненных баз — типичная история. Datasette умеет подключаться к нескольким SQLite-файлам одновременно и публиковать их через единый API. Вместо многомесячной миграции — быстрый прокси-слой. Паттерн ?_extra= позволяет клиентам постепенно мигрировать запросы, не ломая старые интеграции.
SMB / локальный бизнес в КР и СНГ. Небольшой магазин, сервис доставки, локальный маркетплейс — у всех есть операционные данные, которые хочется смотреть без Excel. Datasette + SQLite = минимальная инфраструктура, никакого облачного vendor lock-in, данные на своём сервере. Сценарий особенно актуален с учётом требований Цифрового кодекса КР по локализации данных.
Кейсы в личной жизни
Разработчик. Используешь SQLite для side-проекта или прототипа — Datasette даёт тебе мгновенный REST API и UI для отладки без написания единой строки API-кода. Паттерн из кейса Willison: пусти одну модель писать план интеграции, вторую — сам код. Это быстрее, чем итерировать с одной.
Контент-мейкер / журналист. Исследуешь данные для материала — выборы, статистика, публичные реестры. Загрузи CSV в SQLite, подними Datasette локально, пиши SQL-запросы прямо в браузере. Никакого Python, никакого pandas для базовой аналитики.
Фрилансер / консультант. Клиент хочет «посмотреть на данные» до начала полноценного проекта. Datasette — это демо за полдня: импортируешь их данные, поднимаешь публичный read-only инстанс, даёшь ссылку. Клиент видит интерактивный интерфейс и API — продажа ускоряется.
Как применить сегодня
- Установи Datasette (
pip install datasette), возьми любой SQLite-файл, запустиdatasette serve data.db— браузерный интерфейс и JSON API готовы за 30 секунд. - Изучи паттерн
?_extra=в официальной документации Datasette — теперь он покрывает таблицы, запросы и строки. Это основа для построения гибких API без версионирования. - Попробуй разделённый AI-воркфлоу по образцу Willison: отдельный промпт для планирования задачи (архитектура, декомпозиция), отдельный — для реализации. Сравни результат с обычным «напиши мне код».
- Если у тебя есть операционные данные в PostgreSQL или MySQL — посмотри на плагины datasette-psycopg2 / datasette-mysql. Datasette не ограничен SQLite.
- Для команд в КР с требованиями локализации данных: self-hosted Datasette на VPS — готовый read-only аналитический слой без облачных зависимостей.
«API-эксплореры теперь почти бесплатны в сборке» — Simon Willison, о новом релизе Datasette и роли AI-инструментов в разработке.