Datasette 1.0a32: SQLite с write-API для агентов и Service Workers

31 мая 2026 года вышла Datasette 1.0a32 — очередной альфа-релиз инструмента для публикации и исследования SQLite-баз через веб-интерфейс и REST API. Формально: два исправления. Первое — баг с INSERT ... RETURNING через новый эндпоинт /db/-/execute-write. Второе — кластер проблем с base_url, которые всплыли во время экспериментов с Service Workers.

Контекст

Datasette — open-source проект Саймона Уиллисона, сооснователя Django и одного из самых читаемых технических блогеров в AI-пространстве. Инструмент позволяет за минуты «опубликовать» любой SQLite-файл как полноценный API с фильтрацией, пагинацией, экспортом в JSON/CSV и веб-UI. Годами Datasette оставался read-only по дизайну — это было сознательным ограничением безопасности.

Добавление /db/-/execute-write меняет эту парадигму. Теперь через HTTP можно не только читать, но и писать данные — вставлять строки, обновлять записи, получать RETURNING-результат в одном запросе. Это превращает Datasette из «витрины данных» в полноценный легковесный backend для небольших приложений.

Параллельно Уиллисон экспериментирует с Service Workers — браузерной технологией для перехвата сетевых запросов и офлайн-кэширования. Это намекает на возможный вектор: Datasette как PWA-приложение, работающее с локальным SQLite прямо в браузере без серверной части.

Аналитика

Write-эндпоинт в Datasette важен в первую очередь для AI-агентов. Агент, вооружённый MCP-инструментом или простым HTTP-клиентом, теперь может не просто читать данные из Datasette, но и записывать результаты своей работы: логи, извлечённые сущности, оценки, очереди задач. SQLite — идеальная база для прототипирования агентных пайплайнов: нет сервера, нет миграций, файл копируется за секунду.

Service Workers открывают другой сценарий: Datasette без сети. Если инструмент научится работать полностью в браузере через WASM + IndexedDB или Origin Private File System, это снимет барьер развёртывания для нетехнических пользователей. Аналитик открыл URL — и база данных работает локально, никаких серверов, никаких DevOps.

Уиллисон — не случайный участник AI-дискуссии. В его блоге за последние недели: анализ Claude Opus, разбор papal encyclical про AI, оценка product-market fit Anthropic и OpenAI. Datasette развивается в связке с его LLM CLI-инструментом и общей идеей «данные как первичная поверхность для агентов». Небольшие релизы вроде 1.0a32 — часть этой стратегии накопленной инфраструктуры.

Кейсы применения в бизнесе

B2B-SaaS стартап: команда из 3-5 человек может использовать Datasette как внутренний data-портал — дать менеджерам доступ к production-снэпшотам без настройки Metabase или Grafana. С execute-write агент автоматически помечает аномалии прямо в базе, и менеджер видит результат в том же UI. Время внедрения — несколько часов.

Корпорация с legacy: экспортировать фрагмент данных из тяжёлого Oracle или MSSQL в SQLite, поднять Datasette как read-API для AI-агента, который анализирует тренды и пишет выводы обратно через execute-write. Никакой переработки основной инфраструктуры, риски минимальны.

SMB / локальный бизнес в КР и СНГ: небольшой интернет-магазин или сервисная компания может хранить каталог, заказы, клиентов в SQLite-файле. Datasette даёт мгновенный API для интеграции с Telegram-ботом или простым AI-ассистентом без покупки облачной базы данных. Стоимость хостинга — условно нулевая.

Кейсы в личной жизни

Разработчик: хранить логи экспериментов с LLM-вызовами в SQLite, поднять Datasette локально, анализировать через браузер или LLM-агент. Execute-write позволяет агенту самостоятельно обновлять статусы задач в той же базе.

Контент-мейкер или исследователь: собирать данные из разных источников (скрипты, парсеры, API) в единый SQLite-файл, публиковать Datasette как личный data-портал. Коллеги получают доступ через браузер без установки чего-либо — просто URL.

Студент или фрилансер: использовать Datasette как бэкенд для учебного проекта или MVP-прототипа. Один файл, один команда datasette serve mydb.db, готовый JSON API. Если Service Workers дойдут до production — вообще без деплоя.

Как применить сегодня

• Установить: pip install datasette==1.0a32 — получить исправленный execute-write.
• Попробовать write-эндпоинт: POST /db/-/execute-write с телом {"sql": "INSERT INTO tasks (name) VALUES (?) RETURNING id", "params": ["test"]} — убедиться, что RETURNING работает корректно.
• Подключить Datasette как MCP-инструмент для Claude или любого агента — execute-write даёт агенту возможность сохранять результаты работы прямо в базу.
• Следить за экспериментами Уиллисона с Service Workers в его блоге — это хороший ранний сигнал о направлении инструмента.
• Если работаете с небольшими объёмами данных (до нескольких ГБ) — оценить, не заменит ли SQLite + Datasette ваш текущий PostgreSQL для внутренних аналитических задач.