Развитие экосистемы больших языковых моделей (LLM) движется семимильными шагами, и инструменты разработчиков вынуждены адаптироваться к этим изменениям с невероятной скоростью. Одним из ключевых игроков в этой гонке является проект LLM — универсальный интерфейс командной строки (CLI) и библиотека Python, созданный Саймоном Уиллисонином. 4 августа 2026 года было выпущено обновление версии 0.32, которое автор называет самым значимым с момента первого релиза проекта. Это не просто очередная итерация с исправлением багов; это фундаментальный сдвиг в архитектуре взаимодействия с нейросетями, затрагивающий всё: от отображения внутренних мыслей моделей до способов хранения данных и интеграции с внешними инструментами.
В этой статье мы подробно разберем, что именно изменилось в LLM 0.32, почему эти изменения критически важны для разработчиков, работающих с AI, и как новые функции открывают путь к созданию более сложных автономных систем. Мы рассмотрим поддержку цепочек рассуждений (reasoning traces), интеграцию с OpenAI Responses API, серверные инструменты, новую систему логирования на базе SQLite и эволюцию LLM в сторону полноценного фреймворка для AI-агентов.
01Прозрачность мышления: поддержка цепочек рассуждений (Reasoning Traces)
Одной из самых заметных и полезных новинок в LLM 0.32 стала встроенная поддержка отображения цепочек рассуждений (reasoning traces). Современные модели, особенно те, что позиционируются как «модели для рассуждений» (reasoning models), часто проходят через этап внутреннего анализа перед тем, как сформулировать окончательный ответ. Раньше этот процесс был «черным ящиком»: пользователь видел только финальный результат, не понимая логики, приведшей к нему.
Теперь LLM выводит эти рассуждения в стандартный поток ошибок (stderr). Это элегантное техническое решение позволяет разработчикам видеть, что «думает» модель, не загрязняя основной вывод (stdout), который часто перенаправляется в другие программы или скрипты. Например, если вы используете LLM для генерации JSON-данных, которые затем парсит другой инструмент, рассуждения модели не сломают этот пайплайн, но вы сможете отладить логику, посмотрев на stderr.
Если вам не нужно видеть процесс мышления, вы можете отключить эту функцию, добавив флаг -R или --hide-reasoning к команде. Это дает полный контроль над тем, какая информация отображается пользователю, сохраняя чистоту вывода для автоматизированных систем.
02Новые модели и серверные инструменты (Server-Side Tools)
Обновление 0.32 расширяет горизонт возможностей, добавляя поддержку новейших моделей и расширяя арсенал инструментов, с которыми может работать LLM. Среди ключевых изменений — нативная поддержка семейства моделей GPT-5.6. Примечательно, что модель по умолчанию для команды llm "prompt" теперь изменена на GPT-5.6 Luna. Это решение отражает тренд на оптимизацию затрат: Luna позиционируется как более доступная, но при этом достаточно мощная модель для большинства повседневных задач, что делает её идеальным выбором для массового использования.
Но еще более важным является поддержка серверных инструментов (server-side tools). Ранее инструменты часто требовали локальной установки или сложной настройки. Теперь LLM позволяет использовать инструменты, предоставляемые провайдерами на стороне сервера. Яркий пример — Code Interpreter от OpenAI. Это позволяет запускать код Python в изолированной среде прямо во время взаимодействия с моделью.
Чтобы использовать этот инструмент, достаточно добавить флаг --tool CodeInterpreter в вашу команду. Это открывает возможности для решения математических задач, анализа данных или выполнения сложных вычислений, которые модель не может сделать «на лету» с достаточной точностью. Аналогичным образом добавлен инструмент WebSearch, позволяющий модели искать актуальную информацию в интернете, что критически важно для снижения галлюцинаций и предоставления свежих данных.
03Расширение экосистемы плагинов: Anthropic и MCP
Экосистема LLM строится на плагинах, и обновление 0.32 приносит масштабные изменения в плагин llm-anthropic. Теперь он поддерживает не только новые модели семейства Claude 5, но и добавляет ряд серверных инструментов, таких как WebSearch, WebFetch и CodeExecution.
Особого внимания заслуживает интеграция с Anthropic MCP (Model Context Protocol). MCP становится стандартом де-факто для подключения внешних данных и инструментов к LLM. В LLM 0.32 это реализовано через плагин AnthropicMCP, который позволяет запускать вызовы MCP в рамках одного запроса к API Anthropic.
Например, вы можете выполнить запрос к вашей базе данных, используя плагин datasette-mcp, прямо из командной строки:
llm -m claude-sonnet-5 -T AnthropicMCP("https://datasette.simonwillison.net/-/mcp") \
"how many rows in the blog_blogmark table?"Эта команда заставляет Anthropic выполнить вызовы MCP к вашему плагину в рамках одного взаимодействия с их API. Это демонстрирует мощь новой архитектуры: LLM становится универсальным шлюзом, который может объединять различные источники данных и инструменты через единый интерфейс.
04Гибкость подключения: Команда llm openai endpoint
Для разработчиков, работающих с множеством различных провайдеров или локально развернутыми моделями, была добавлена команда llm openai endpoint. Она позволяет выполнять запросы к любому эндпоинту, совместимому с OpenAI API, в виде одной команды.
Это особенно полезно для тестирования или выполнения разовых запросов к моделям, которые не требуют логирования. Например, вы можете запустить локальную модель Gemma 4 12B через LM Studio и использовать её с LLM, не устанавливая сам LLM глобально, а используя uvx:
uvx --with llm-tools-quickjs \
llm openai endpoint http://localhost:1234/v1 -m google/gemma-4-12b \
-T QuickJS \
"Use QuickJS to multiply 3434 * 2434"Здесь мы также подключаем плагин llm-tools-quickjs, который позволяет модели выполнять JavaScript-код. Это демонстрирует гибкость LLM: вы можете смешивать локальные модели, серверные инструменты и плагины в одной команде, создавая кастомные AI-пайплайны на лету.
llm openai endpoint, не логируются. Это сделано намерение для обеспечения конфиденциальности и производительности при разовых запросах, но помните об этом, если вам нужно сохранить историю таких взаимодействий.05Революция в Python API: Прямое управление сообщениями и событиями
Для разработчиков, пишущих код на Python, изменения в LLM 0.32 еще более глубоки. Ранее API требовал создания объекта разговора и отправки сообщений по одному. Эта абстракция хорошо работала для простых чат-ботов, но стала ограничивающей для более сложных сценариев, где важно контролировать полный контекст запроса.
Теперь в метод model.prompt() добавлен параметр messages=[], который позволяет передавать полный список сообщений (системные, пользовательские, ассистента) за один раз. Это ближе к реальной природе LLM, где каждый запрос содержит полную историю диалога.
import llm
model = llm.get_model("gpt-5.6-luna")
response = model.prompt(messages=[
llm.system("You are a helpful pirate."),
llm.user("What is the capital of France?"),
llm.assistant("Paris, matey."),
llm.user("And Germany?"),
])
print(response.text())Кроме того, изменен способ получения ответов. Раньше LLM возвращал итерируемый объект строк, что работало хорошо для простых текстовых ответов. Однако современные модели возвращают сложные структуры: текст, рассуждения, вызовы инструментов, изображения. Чтобы справиться с этим разнообразием, введена система событий потока (streaming events).
Теперь вы можете обрабатывать ответ по типам событий:
for event in model.prompt("Explain cats").stream_events():
if event.type == "reasoning":
print(f"[thinking] {event.chunk}", end="", flush=True)
elif event.type == "text":
print(event.chunk, end="", flush=True)
else:
print(f"Other event: {event}")Это позволяет создавать интерфейсы, которые показывают процесс мышления модели в реальном времени, а затем финальный ответ, что значительно улучшает пользовательский опыт.
06Умное логирование: Content-Addressable SQLite
Одной из самых больших проблем при работе с LLM является логирование. Поскольку каждый запрос содержит полную историю сообщений, традиционное логирование приводит к дублированию огромных объемов JSON-данных. LLM 0.32 решает эту проблему, внедряя контентно-адресуемое хранилище сообщений (content-addressable message store), вдохновленное принципами работы Git.
Вместо того чтобы хранить полную копию истории для каждого сообщения, система хранит уникальные блоки сообщений и ссылается на них по хешу. Это радикально снижает объем хранимых данных. Команды llm logs и llm logs --json теперь автоматически преобразуют эту структуру обратно в читаемый формат, что упрощает анализ и отладку.
07Совместимость с OpenAI Chat Completions API
Объединив все эти функции, LLM 0.32 предоставляет надежную реализацию полустандартного API OpenAI Chat Completions. Эта функциональность вынесена в отдельный плагин llm-chat-completions-server.
Установив плагин, вы можете запустить локальный сервер:
llm install llm-chat-completions-server
llm chat-completions-server --port 9000После этого любой клиент, поддерживающий OpenAI API, сможет взаимодействовать с LLM через этот сервер. Это делает LLM универсальным бэкендом для различных AI-приложений, позволяя использовать его как прокси-сервер для различных моделей и инструментов.
08Эволюция в сторону AI-агентов
Саймон Уиллисон отмечает, что многие изменения в LLM 0.32 были продиктованы потребностями его проекта Datasette Agent. Изначально он избегал термина «агент» из-за его размытости, но теперь признает, что «LLM-агент — это система, которая запускает инструменты в цикле для достижения цели».
LLM 0.32 предоставляет все необходимые инструменты для создания таких агентов: поддержку циклов вызова инструментов, возможность приостановки выполнения для получения подтверждения от человека (human-in-the-loop) и возобновления работы из сохраненной истории сообщений. Это превращает LLM из простого инструмента для генерации текста в полноценный фреймворк для построения автономных AI-систем.
09Что это значит на практике
Для разработчиков, работающих с AI в России и других регионах, LLM 0.32 предлагает несколько ключевых преимуществ. Во-первых, поддержка локальных моделей через llm openai endpoint позволяет запускать мощные модели (такие как Gemma, Llama и другие) на локальных серверах, что критично для обеспечения конфиденциальности данных и работы в условиях ограничений доступа к зарубежным API. Во-вторых, новая система логирования и поддержка серверных инструментов делают LLM идеальным выбором для создания гибридных систем, где часть вычислений происходит локально, а часть — через облачные API.
Кроме того, интеграция с MCP и поддержка аннотированных рассуждений позволяют создавать более прозрачные и контролируемые AI-приложения. Это особенно важно в корпоративной среде, где необходимо понимать, как модель пришла к тому или иному выводу, и иметь возможность вмешаться в процесс при необходимости.
В заключение, LLM 0.32 — это не просто обновление, а качественный скачок в развитии инструмента. Он объединяет в себе простоту использования командной строки, мощь Python API и гибкость архитектуры, необходимой для создания современных AI-агентов. Для всех, кто работает с большими языковыми моделями, это обновление является обязательным к установке.
Источник: Simon Willison ↗