В мире разработки инструментов для работы с данными и искусственным интеллектом границы между аналитикой и генеративными моделями становятся всё более размытыми. Simon Willison, известный своими глубокими техническими инсайтами и создатель популярного инструмента для развертывания баз данных Datasette, продолжает расширять возможности своей экосистемы. 14 ноября 2026 года он анонсировал релиз datasette-llm версии 0.1a11. Это не просто очередное обновление, а фундаментальный шаг к интеграции больших языковых моделей (LLM) в ядро работы с данными, превращая Datasette из простого просмотрщика в полноценную платформу для AI-агентов.
Ключевая инновация этого релиза — поддержка OpenAI-совместимых конечных точек. Это означает, что вам больше не нужно зависеть исключительно от проприетарных API крупных корпораций. Теперь вы можете подключить Datasette к любой модели, которая поддерживает псевдо-стандартный веб-протокол OpenAI. Это открывает двери для использования локальных моделей, запущенных на вашем собственном оборудовании, таких как LM Studio, Ollama или llama.cpp (который недавно достиг важной вехи — версии 1.0.0). В этой статье мы подробно разберем, как это работает, почему это важно для независимости разработчиков и как настроить локальный сервер с AI-агентом за считанные минуты.
01Что такое datasette-llm и зачем он нужен?
Datasette исторически был мощным инструментом для публикации и исследования баз данных SQLite. Он позволял быстро создавать веб-интерфейсы для SQL-запросов, предоставлять API и визуализировать данные. Однако с появлением LLM возникла потребность в том, чтобы эти данные могли не только отображаться, но и «пониматься» машиной, а затем интерпретироваться человеком через естественный язык. Именно здесь вступает в игру плагин datasette-llm.
Этот плагин позиционируется как промежуточное звено (intermediate plugin). Его главная задача — обеспечить единую точку конфигурации для LLM, от которой могут зависеть другие плагины Datasette. Представьте себе экосистему, где один плагин отвечает за подключение к базе данных, другой — за аутентификацию, а третий — за генерацию ответов на вопросы пользователей. datasette-llm берет на себя сложную часть: управление жизненным циклом модели, настройкой параметров и маршрутизацией запросов. Это архитектурное решение позволяет разработчикам создавать сложные AI-приложения поверх Datasette, не переизобретая колесо для каждого нового интеграционного сценария.
Релиз 0.1a11 знаменует собой переход от экспериментальных возможностей к более стабильной и гибкой архитектуре. Поддержка OpenAI-совместимых API является критически важной, так как этот протокол стал де-факто стандартом для взаимодействия с LLM. Даже если вы используете локальную модель, она, скорее всего, эмулирует интерфейс OpenAI для совместимости с существующими библиотеками и фреймворками. Это снижает порог входа: если вы умеете работать с OpenAI API, вы уже умеете работать с вашей локальной моделью через Datasette.
02Революция локального запуска: LM Studio, Ollama и llama.cpp
Одним из самых значимых аспектов обновления является возможность запуска Datasette Agent-инстанса, полностью работающего на вашем локальном оборудовании. Это решает сразу несколько проблем: конфиденциальность данных, отсутствие зависимости от интернета и снижение затрат на API-вызовы. В 2026 году локальные модели стали достаточно мощными, чтобы справляться с задачами, которые раньше требовали облачных вычислений.
Рассмотрим три основных инструмента, которые теперь могут служить «мозгом» для вашего Datasette:

- LM Studio: Популярное приложение с графическим интерфейсом для загрузки и запуска моделей. Оно отлично подходит для тех, кто хочет быстро протестировать модель без написания кода. LM Studio предоставляет локальный сервер, который слушает запросы по адресу
http://localhost:1234/v1, что идеально соответствует требованиям плагина. - Ollama: Инструмент, ставший стандартом для управления локальными LLM в Linux и macOS. Он прост в установке и управлении моделями через командную строку. Ollama также предоставляет API, совместимый с OpenAI, что делает его прямым кандидатом для интеграции.
- llama.cpp: Библиотека C++, которая легла в основу многих других инструментов. Недавний релиз версии 1.0.0 ознаменовал её зрелость. llama.cpp позволяет запускать модели даже на CPU с высокой эффективностью, что важно для пользователей с ограниченным объемом видеопамяти.
Все эти инструменты работают по одному принципу: они загружают веса модели в память вашего компьютера и предоставляют HTTP-эндпоинт, который принимает запросы в формате, ожидаемом OpenAI. Datasette-llm выступает в роли клиента, который отправляет эти запросы и обрабатывает ответы, интегрируя их в интерфейс Datasette.
03Пошаговая настройка: от скачивания базы данных до работающего агента
Давайте перейдем от теории к практике. Simon Willison демонстрирует удивительно простой способ запуска полноценного AI-агента на базе Datasette. Для этого не требуется сложная настройка Docker-контейнеров или развертывание микросервисов. Достаточно иметь установленный uv (современный менеджер пакетов для Python) и базовые знания командной строки.
Процесс состоит из нескольких простых шагов. Во-первых, нам нужна база данных. В примере используется публичный файл content.db, который можно скачать напрямую. Во-вторых, мы запускаем Datasette с помощью команды uvx, которая позволяет запускать Python-пакеты без их предварительной установки в виртуальное окружение. Ключевой момент здесь — флаг --with datasette-agent, который подключает необходимый функционал агента, и --with datasette-llm, который обеспечивает интеграцию с LLM.
Конфигурация модели передается через флаг -s (settings). Ниже приведен полный пример команды, который иллюстрирует, как связать локальную модель с Datasette:
wget https://datasette.io/content.db
uvx --with datasette-agent datasette \
--root --secret 1 \
-s plugins.datasette-llm.default_model
"model": "lmstudio-qwen",
"model_name": "qwen/qwen3.8-27b",
"api_base": "http://localhost:1234/v1"
content.dbРазберем этот конфигурационный блок JSON, который передается как параметр:

- "model": "lmstudio-qwen": Идентификатор модели, который будет использоваться внутри интерфейса Datasette. Вы можете назвать его как угодно, главное — чтобы он был уникальным в контексте вашего приложения.
- "model_name": "qwen/qwen3.8-27b": Фактическое имя модели, которое понимает ваш локальный сервер (LM Studio или Ollama). В данном случае используется модель Qwen 3.8 с 27 миллиардами параметров. Это мощная модель, способная справляться с сложными задачами анализа текста и генерации кода.
- "api_base": "http://localhost:1234/v1": Адрес локального сервера. Порт 1234 — это стандартный порт для LM Studio, но для Ollama он может отличаться (обычно 11434). Важно убедиться, что ваш локальный сервер запущен и слушает именно этот порт.
После выполнения этой команды вы получите локальный сервер Datasette, который не только отображает данные из content.db, но и предоставляет интерфейс для общения с AI-агентом. Агент может отвечать на вопросы по данным, генерировать SQL-запросы на естественном языке или выполнять другие задачи, зависящие от функционала плагина datasette-agent.
--secret 1. В продакшене никогда не используйте простые секреты. Используйте datasette secret generate для создания криптографически стойкого ключа, который будет шифровать сессии и защищать ваши данные. Для локальных тестов 1 допустим, но для реальных проектов это критически важно.04Почему OpenAI-совместимость — это стандарт де-факто?
Возможно, у вас возникнет вопрос: почему интеграция строится вокруг «псевдо-стандарта» OpenAI, а не какого-то нового, специфичного для Datasette протокола? Ответ кроется в экосистеме. OpenAI первым массово внедрил REST API для своих моделей, и этот интерфейс оказался настолько удобным и логичным, что другие разработчики начали его копировать.
Сегодня практически все крупные провайдеры LLM (Anthropic, Google, Meta, Mistral) и локальные серверы (LM Studio, Ollama, vLLM) поддерживают endpoint /v1/chat/completions с той же структурой запросов и ответов, что и у OpenAI. Это создает сетевой эффект: разработчики пишут код один раз, используя библиотеки вроде openai или langchain, и могут переключаться между моделями, меняя только URL базовой конечной точки.
Для Datasette это означает, что плагин datasette-llm может использовать существующие, хорошо протестированные библиотеки для взаимодействия с LLM. Это снижает количество багов, упрощает поддержку и позволяет быстро добавлять поддержку новых моделей по мере их появления. Если новая локальная модель выходит и заявляет о совместимости с OpenAI API, она автоматически становится совместимой с Datasette без необходимости обновления самого плагина.
05Роль llama.cpp v1.0.0 в экосистеме
Упоминание llama.cpp v1.0.0 в анонсе не случайно. Эта библиотека является фундаментом для многих современных локальных LLM-решений. Её релиз версии 1.0.0 символизирует переход от экспериментальной стадии к промышленной зрелости. llama.cpp предоставляет высокооптимизированные реализации моделей, которые могут работать на самых разных архитектурах: от Apple Silicon до обычных CPU.

Для пользователей Datasette это означает доступ к более стабильным и быстрым моделям. llama.cpp активно оптимизирует использование памяти и вычислительных ресурсов, что позволяет запускать более крупные модели на менее мощном оборудовании. В сочетании с плагинами Datasette это открывает возможности для создания локальных AI-инструментов, которые могут работать даже на старых ноутбуках или Raspberry Pi, если правильно подобрать модель.
Кроме того, llama.cpp поддерживает различные форматы квантования, что позволяет балансировать между скоростью и качеством ответов. В контексте Datasette Agent, где важна скорость отклика, возможность использовать квантованные модели (например, Q4_K_M) может сделать взаимодействие с базой данных практически мгновенным.
06Что это значит на практике?
Интеграция datasette-llm 0.1a11 меняет парадигму работы с данными. Раньше, чтобы получить инсайт из базы данных, вам нужно было написать SQL-запрос, выполнить его и проанализировать результаты. Теперь вы можете просто спросить у агента: «Какие тренды продаж наблюдаются в последнем квартале?» или «Найди аномалии в логах сервера за прошлую неделю».
Это особенно полезно для исследователей данных, журналистов и аналитиков, которые не являются экспертами в SQL. Datasette становится «умным» интерфейсом, который понимает контекст данных. Кроме того, локальный запуск гарантирует, что конфиденциальные данные никогда не покинут ваш компьютер. Это критически важно для работы с персональными данными, финансовой информацией или коммерческой тайной.
Для разработчиков это означает возможность создания прототипов AI-приложений быстрее, чем когда-либо прежде. Не нужно настраивать сложные облачные инфраструктуры. Достаточно запустить локальный сервер, подключить его к Datasette и начать экспериментировать. Экосистема плагинов Datasette, включая datasette-agent, предоставляет готовую основу для расширения функционала, позволяя сосредоточиться на бизнес-логике, а не на инфраструктуре.
В заключение, релиз datasette-llm 0.1a11 — это важный шаг в сторону демократизации доступа к LLM. Он показывает, что мощные AI-инструменты могут быть локальными, приватными и простыми в использовании. Если вы работаете с данными и хотите добавить к ним слой искусственного интеллекта, не выходя за пределы вашего компьютера, Datasette с этим плагином — отличный выбор.
Источник: Simon Willison ↗
