datasette-llm 0.1a11: Datasette Agent agora roda com modelos locais

O datasette-llm 0.1a11 passou a aceitar endpoints compatíveis com o protocolo da OpenAI. Com isso, quem roda modelos locais com LM Studio, Ollama ou llama.cpp consegue subir o Datasette Agent alimentado pelo próprio modelo, via uvx. O lançamento foi registrado por Simon Willison no blog dele em 14 de novembro de 2026.

A versão é alfa e está no PyPI como pre-release. O release oficial fica no repositório datasette/datasette-llm no GitHub.

O que é o datasette-llm e onde o Datasette Agent entra

O datasette-llm é o plugin intermediário do Datasette que configura LLMs para uso por outros plugins. Ele é desenvolvido por Simon Willison e mantido na organização datasette no GitHub.

Pense nele como uma tomada central. Você configura o modelo uma vez e os outros plugins usam essa configuração, sem que cada um precise saber falar com o modelo do seu jeito.

E o Datasette Agent? É o assistente de IA extensível para o Datasette, anunciado em 21 de maio de 2026. Ele oferece uma interface de conversa para fazer perguntas sobre os dados guardados no Datasette, no que o post de anúncio descreve como o momento em que o LLM e o Datasette finalmente se juntam.

Não confunda esta versão com a 0.1a9, de 31 de outubro de 2026. Aquela passou a usar o modelo padrão do LLM como fallback quando nem default_model nem um modelo por propósito estão configurados.

O que mudou na versão 0.1a11

A novidade é o suporte a endpoints compatíveis com o protocolo pseudo padrão da OpenAI. Dá para apontar o Datasette para um LLM hospedado em qualquer lugar que fale esse protocolo.

O mecanismo é simples. Segundo as notas do release no GitHub, basta adicionar api_base a uma referência de modelo para usar um endpoint arbitrário compatível com OpenAI, seja Chat Completions ou Responses, o mecanismo também está documentado no README do PyPI.

Willison cita três servidores locais como exemplo: LM Studio, Ollama e llama.cpp. Ele também menciona que o llama.cpp acabou de chegar à versão 1.0.0, com link para o blog do Hugging Face.

Até 15 de novembro de 2026, a 0.1a11 é a versão mais recente encontrada no PyPI. Nenhuma 0.1a12 foi localizada.

Como fica a configuração no exemplo publicado pelo autor

Este é o comando publicado por Willison, reproduzido sem alterações:

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.db

A primeira linha baixa o banco de exemplo content.db do site do Datasette. A segunda roda o Datasette com o plugin datasette-agent e define o modelo em plugins.datasette-llm.default_model, que recebe três campos:

• model: o nome dado ao modelo dentro do Datasette, lmstudio-qwen
• model_name: o modelo servido pelo LM Studio, qwen/qwen3.8-27b
• api_base: o endereço do endpoint compatível com OpenAI, http://localhost:1234/v1

O resultado, segundo o autor, é um servidor local rodando uma instância do Datasette Agent alimentada pelo modelo local.

O que muda para quem consulta SQLite com um agente

Na prática, dá para conversar com bancos SQLite pelo Datasette Agent usando um modelo que roda na sua máquina, ou qualquer provedor que fale o protocolo da OpenAI. Na nossa leitura, isso pode ser uma opção interessante para quem prefere não depender de chamadas de API externas, a fonte não trata explicitamente de custo nem de retenção de dados.

Só que tem limites. A 0.1a11 é alfa, então trate como experimental e espere mudanças entre versões.

O exemplo oficial cobre apenas o LM Studio. Para Ollama e llama.cpp, a fonte afirma a compatibilidade, mas não publica um comando específico, então o endereço do seu endpoint é algo que você precisa conferir no seu próprio servidor.

Também não há dados publicados sobre qualidade ou desempenho de modelos locais nesse fluxo. A única evidência é a captura do autor com um modelo e uma pergunta.

Próximo passo

Abra o release 0.1a11 no GitHub para acompanhar o que foi publicado. Se você já roda um servidor local compatível com OpenAI, troque o api_base e o model_name do exemplo pelos do seu endpoint e faça uma pergunta simples sobre o content.db, como a contagem de repos e releases, para checar se o agente chega ao mesmo resultado.

Se quiser entender o que acontece quando nenhum modelo está configurado, vale ler as notas da 0.1a9 no blog do Willison.

Explore os vídeos do canal Hora de Codar. Se quiser aprofundar o contexto, veja IA gera vídeos realistas e permite direção criativa com Veo 3.1.