开源数据工具 Datasette 创始人 Simon Willison 在几天里密集推了五个版本。刚刚上线的 datasette-agent 0.5a0 让大模型聊天框并排运行在数据库旁,聊两句就能生成交互式前端;紧接着发布的 datasette-llm 0.1a10 却在替公开演示站紧急修补模型白名单被覆盖的漏洞。
到了最新发布的 datasette-llm 0.1a11,他又拿掉了繁琐的供应商插件,直接支持 OpenAI 兼容协议端点。这意味着在本地跑着 LM Studio、Ollama 或 llama.cpp 的开发者,敲下一行指令就能把本地模型挂进 SQLite 数据库。
把这几版更新连起来看,刚好构成了插件化 AI 工具最真实的一张账单。
- 发生了什么.Datasette 连发
datasette-agent 0.5a0、datasette-apps 0.3a0与datasette-llm 0.1a9/0.1a10/0.1a11。前端引入panel侧边栏与单文件 HTML 局部热更新;底座实现 6 级模型解析瀑布流,在0.1a10中把多插件llm_filter_models钩子强制改为按模型 ID 取交集,并在0.1a11原生支持 OpenAI 兼容协议端点(api_base),零插件打通本地模型。 - 为什么重要.Datasette 完成了从自然语言查表到直连本地私有模型现场攒应用的闭环,降低了本地数据 Agent 的部署门槛。但这也暴露了多插件权责交集、本地模型工具调用兼容性以及默认数据拼接的外溢隐患。
- 谁直接受影响.数据分析师可以用零配置搭建本地分析工具;自托管运维者必须升级到
0.1a10以上版本,防止白名单被静默绕过,同时需审视敏感数据的上报逻辑。
侧边栏长出微应用,四条指令做完局部热更新
以往在数据库里引入大模型,大部分尝试都停留在自然语言转 SQL,查完弹出一张静态表格。用户现在用 GitHub 账号登录演示站,就能在 SQLite 数据库旁开启 panel 侧边面板,让聊天界面与数据表并排显示。
面对一份包含 12 家厂商、185 个模型成本的数据表,模型仅靠探索数据和黑客风美学两轮对话,就能在现场生成并改出一套带筛选器与成本测算器的价格看板。
| 工具方案 | 核心工作流 | 数据库连接与权限边界 |
|---|---|---|
| Claude Artifacts | 纯前端代码生成与预览 | 无原生后端库连接,需手动喂入静态数据 |
| Streamlit | 手写 Python 脚本搭建数据看板 | 需独立配置运行环境与数据库凭据 |
| Replit Agent | 从零生成全栈前后端项目 | 独立建库,脱离既有生产数据权限体系 |
| Datasette Agent + Apps | 侧边栏对话 + 局部字符串替换热更新 | 关进 iframe 沙箱,严守浏览者既有库权限 |
这套机制底层是由两个插件与核心引擎协同支撑。datasette-agent 0.5a0 内置了 show_in_panel 工具、面板内链接拦截与单屏切换开关;datasette-apps 0.3a0 接管了单文件 HTML 存储、历史修订记录与访问控制。
模型修改界面时不是整页重写。Agent 靠四个工具运作:先用需要 create-app 权限的 app_create 初始化应用,再调用 app_view 读取带行号的源码,随后用 app_str_replace 替换局部字符串并留存版本,最终交由 app_render 渲染视图。这种增量更新省下了等待时间,也保留了回滚能力。
前端安全策略同样严密。生成的应用被封禁在仅开启 allow-scripts 与 allow-forms 属性的 iframe 沙箱中,网络请求受内容安全策略严格拦截。
应用想读写数据,只能调用注入的 datasette.query 或 datasette.storedQuery 向父页面发消息。涉及写操作的预存查询在创建阶段就必须通过校验放行,且核心引擎执行请求时,应用拿到的权限决不高于当前浏览者本身的账户权限。
省掉参数却漏了白名单:从 6 级路由到 0.1a10 锁死交集
为让本地跑起来更顺手,底座插件 datasette-llm 0.1a9 做了简化。
在 0.1a9 之前,分析师用 uvx 临时启动 Agent,必须在命令尾部挂上 -s 参数指定模型。更新后只需一行命令就能启动:
uvx --with datasette-agent datasette content.db --internal internal.db
把本地命令行状态引入 Web 插件,容易带来配置漂移。datasette-llm 把宿主机默认模型放进了 6 级优先级瀑布流的第 5 位兜底:
- 代码显式传入的
model_id; - 插件注入的
llm_default_model钩子; - 特定用途配置
purposes.<purpose>.model; - 插件级全局
default_model; - 底层
LLM工具的默认模型; - 均无则抛出
ModelNotFoundError异常。
这套逻辑原本设计严密,偏偏在过滤钩子上出了漏洞。
此前系统把黑白名单逻辑移入 llm_filter_models 钩子。遇到多插件场景时,旧代码没有把各路过滤结果按模型 ID 取交集,而是让后执行的钩子直接覆盖了前置白名单。
由于系统默认需要 Key 校验,只要环境变量配过全局 API 密钥,原本在配置文件里被封禁的高价模型,就会因为后续插件的钩子覆盖而暴露。古人讲政出多门则下无所守,几套规则同时控制系统时,一旦合并规则没有锁定最严格的交集,后面的钩子就能把前面筑好的墙拆光。直到 0.1a10 把逻辑改为取交集,这道围栏才算合拢。
0.1a11 原生接通本地端点,管线打通不等于 Agent 能用
我不太买账的是,很多团队以为拿到了 0.1a11 的极简指令,本地私有 Agent 就大功告成了。
新发布的 datasette-llm 0.1a11 确实干掉了多余的第三方适配插件。它把依赖的底层 LLM 库升到 0.37.1,增加了对 OpenAI 兼容协议的原生配置支持。
不管是在本地用 LM Studio、Ollama 还是升到 v1.0.0 的 llama.cpp,只要服务跑在本地端口,传入 api_base 就能直接启动:
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.db
这行命令表面上拿掉了适配插件,把协议管线彻底打通,但接通网络接口和跑通 Agent 是两回事。
在实际测试中,问题不在网络连接,而在本地引擎对工具调用的实现质量。Datasette Agent 依赖稳定的 Tool Calling、正确渲染的 Jinja 模板和格式严谨的 JSON 解析。
目前的现实是:LM Studio 如果用了兼容模式,工具解析极易崩溃;Ollama 的模型如果没带 tools 标签,根本无法触发查询;llama.cpp 服务端启动时必须强制加上 --jinja 参数才能渲染符合格式要求的 Prompt。一旦本地模型吐出的 JSON 稍微偏离预期,Agent 就会卡在中间态,半天查不出数据。
默认上报千行数据与小模型幻觉:私有 Agent 的落地账单
比接口兼容更隐蔽的,是数据隐私与生成效果的现实差距。
数据安全是大家用本地模型的动力。然而在默认机制下,Datasette Agent 的 SQL 工具在查询成功后,会自动把最多 1,000 行 的结果集打成 Prompt 上下文塞回给 LLM 汇总答案。
如果运维人员把 api_base 连到了外部的云端服务,又没配置 user-only 模式,私有数据库里的明文数据,就会直接随着 Prompt 离开本地环境。
另一个卡扣在模型的 SQL 生成能力。像 Qwen 27B 这类中小型本地模型,常规对话能力不错,但面对没有附带详细注释的裸 Schema 时,依然频繁写出错误的 JOIN 逻辑或不存在的字段名。社区在 Issue #15 中紧急要求增加针对 Schema 的 Prompt 指导,在 Issue #21 中推动建立小模型 SQL 专项评估基准,说的正是这个瓶颈。
这也是为什么 Datasette 这个项目过去让人放心,是因为每一个数字都能点开核对底层 SQL 语句;当这些数据被人工智能包装进漂亮的黑盒 HTML,这种透明性反而打折了。
省掉一行命令能拉来试用的人,把过滤交集锁死、解决本地 Tool Calling 兼容性,并允许看表的人随时掀开界面核验 SQL 源码,这个长在数据库里的应用底座才算真正稳固。
