Datasette LLM 0.1a11 permite conectar otros complementos de Datasette con un servidor de modelos compatible con la API de OpenAI, sin instalar un complemento LLM adicional para ese servidor. La actualización también cambia cómo se aplican los permisos de selección y cuándo aparecen los errores de credenciales: merece revisar ambos aspectos antes de migrar una integración existente.
La versión original de GitHub se publicó el 14 de noviembre de 2026 a las 23:59 UTC: el 15 a las 00:59 en Madrid. Está marcada como preliminar y su numeración corresponde a una alfa. No es una versión estable ni un modelo nuevo: datasette-llm es la capa que permite a otros complementos utilizar modelos mediante la biblioteca LLM. Simon Willison explica su aplicación a Datasette Agent, que puede aprovechar esa conexión con modelos locales.
Separar el servidor del modelo que ve Datasette
La configuración distingue la dirección del servidor, api_base, del identificador local, model, y del nombre que espera el servidor remoto, model_name. Es útil cuando dos servidores ofrecen el mismo modelo: Datasette puede identificarlos por separado sin cambiar el nombre remoto.
El protocolo puede ser Chat Completions o Responses; responses: true selecciona el segundo. Aquí «compatible con OpenAI» describe la interfaz de comunicación: el destino lo determina la dirección configurada. Esa compatibilidad no implica que OpenAI aloje el servicio ni que reciba las peticiones.
El README de esta versión distingue además registro y autorización. La opción endpoints registra servidores sin activar por sí sola la lista de modelos permitidos, models. Añadir un servidor no restringe automáticamente los demás modelos disponibles.
Las restricciones alcanzan ahora la selección directa
Las listas de modelos permitidos y bloqueados, junto con los filtros llm_filter_models, pasan a aplicarse a model() y group(), incluidas las selecciones explícitas y los valores predeterminados. Antes afectaban a la enumeración mediante models(). Una integración que seleccionaba directamente un modelo excluido puede dejar de funcionar y recibir ModelNotFoundError.
También se adelantan errores de claves ausentes a la selección del modelo cuando corresponde exigirlas. Si se configura explícitamente un nombre de clave y no existe, la integración ya no recurre a la credencial predeterminada del proveedor. Las notas exigen LLM 0.37.1 o posterior: conviene comprobar la dependencia y los complementos consumidores en un entorno separado antes de actualizar producción.
Las credenciales no van en los encabezados de configuración
key identifica un secreto de datasette-secrets o un alias de las claves guardadas por LLM; no es el lugar para pegar el token. La búsqueda consulta primero el almacén de secretos de Datasette y después el de LLM.
La documentación contiene una advertencia concreta: los valores de headers pueden quedar visibles para usuarios anónimos en /-/config.json. Por eso no deben contener credenciales, como un encabezado Authorization. Es un detalle de esta configuración que se suma al contexto de nuestro artículo sobre claves y proveedores externos en LLM.
Hay otra distinción importante: un servidor configurado sin key se trata como no autenticado, no recibe implícitamente la clave predeterminada de OpenAI y puede seguir disponible con require_keys: true. Esa opción no autentica a los usuarios de Datasette ni verifica la seguridad del servidor remoto.
Un caso de uso y lo que falta comprobar
Ejemplo hipotético, no ejecutado por Puntoes: un equipo quiere que un complemento ayude a consultar su catálogo de productos usando un servidor interno. La novedad permite registrar ese destino y asignarle un identificador propio. Antes de conectarlo, el equipo tendría que comprobar qué datos puede enviar, quién puede seleccionar el modelo y si el servidor admite las herramientas y el protocolo que necesita el complemento.
Declarar soporte de herramientas o respuestas progresivas no demuestra que el servidor las implemente correctamente. Tampoco una dirección local acredita que todos los componentes del sistema trabajen sin servicios externos. No hemos medido precisión, rendimiento ni ahorro con esta versión.
El código lleva licencia Apache 2.0; las licencias de los modelos y las condiciones del proveedor deben revisarse aparte. La integración tampoco elimina los costes de infraestructura o de una API alojada. El criterio práctico es probar la compatibilidad y las restricciones con el complemento consumidor, antes de decidir si esta alfa encaja en un despliegue real.