Datasette Agent: jak zapytać bazę danych bez SQL-a i nie zwariować

Analityk w średniej polskiej firmie logistycznej spędza 12 godzin tygodniowo na czyszczeniu danych z systemu ERP. Gdy pyta o "średnią wartość zamówień w województwie mazowieckim", musi napisać zapytanie SQL, które wygląda jak zaklęcie z Harrego Pottera. Datasette Agent obiecuje zmienić to w jedno zdanie: "Pokaż średnią wartość zamówień w mazowieckim".

Dlaczego analitycy marzą o asystencie, który rozumie ich bazy danych?

80% czasu analityka to czyszczenie i przygotowanie danych [7]. Reszta? Walka z SQL-em, który nawet w prostych pytaniach wymaga składni przypominającej język obcych cywilizacji. Datasette Agent nie rozwiąże problemu brudnych danych, ale pozwoli zadać pytanie w języku naturalnym i otrzymać odpowiedź w 8 sekund [2].

Przykład z demo: zamiast pisać SELECT AVG(sales) FROM orders WHERE quarter = 'Q2', wystarczy wpisać "Jaka była średnia sprzedaż w Q2?" [6]. Narzędzie rozumie kontekst, tłumaczy pytanie na SQL i zwraca wynik w formie tabeli lub wykresu. Dla analityka to oszczędność 3-5 godzin tygodniowo [7] - czasu, który może poświęcić na interpretację wyników zamiast walki z kodem.

Czym jest Datasette Agent i jak działa pod maską?

Datasette Agent to połączenie dwóch projektów Simona Willisona: biblioteki LLM (do obsługi modeli językowych) i Datasette (platformy do eksploracji danych) [1]. Architektura wygląda tak:

• LLM (Python) tłumaczy pytania w języku naturalnym na SQL
• Datasette (SQLite) wykonuje zapytanie i zwraca dane
• Pluginy (np. datasette-agent-charts) rozszerzają funkcjonalność o wizualizacje

Willison nazywa to "momentem połączenia" swoich projektów [1]. Kluczowa różnica wobec ChatGPT + Advanced Data Analysis? Datasette Agent działa lokalnie, nie wymaga przesyłania danych do chmury. To istotne dla firm z wrażliwymi danymi - np. polskich banków czy szpitali, które muszą przestrzegać RODO.

Jakie dane obsługuje Datasette Agent i dla kogo jest przeznaczony?

Narzędzie radzi sobie z:

• SQLite (natywne wsparcie)
• CSV, JSON, Excel (po konwersji do SQLite) [2]
• Otwartymi danymi (np. z portalu dane.gov.pl)

Case study: dziennikarze z "Gazety Wyborczej" używają Datasette do analizy wydatków samorządów [5]. Datasette Agent pozwoliłby im zadawać pytania typu "Które miasto wydało najwięcej na oświetlenie ulic w 2023?" bez pisania kodu. Podobnie mogłyby go wykorzystać polskie firmy logistyczne do analizy tras dostaw czy sklepy internetowe do segmentacji klientów.

Ograniczenia? Narzędzie nie zastąpi Data Scientistów. Potrafi odpowiedzieć na proste pytania ("Jaka była sprzedaż w czerwcu?"), ale nie poradzi sobie z predykcją sprzedaży czy analizą sentymentu. To raczej "asystent analityka" niż "analityk na sterydach".

Datasette Agent vs. alternatywy: co wyróżnia to narzędzie?

Kluczowa różnica: integracja z Datasette. To platforma zaprojektowana do publikowania i eksploracji danych, a nie tylko analizy [5]. Developerzy mogą rozszerzać jej funkcjonalność za pomocą pluginów - np. dodać wsparcie dla PostgreSQL czy generowanie raportów PDF.

Jak wdrożyć Datasette Agent w swojej organizacji?

1. Instalacja

Wymagania: Python 3.10+, SQLite [2]

```bash

pip install datasette-agent datasette-agent-charts

```

1. Ładowanie danych

• Dla SQLite: datasette data.db
• Dla CSV: datasette --load data.csv
• Dla JSON: konwersja do SQLite za pomocą sqlite-utils

1. Pierwsze zapytania

Uruchom narzędzie i zadaj pytanie w języku naturalnym, np. "Pokaż top 5 klientów z największą liczbą zamówień w 2023" [6]. W 8 sekund otrzymasz tabelę z wynikami.

1. Rozszerzanie funkcjonalności

Zainstaluj plugin do generowania wykresów:

```bash

pip install datasette-agent-charts

```

Teraz pytanie "Pokaż sprzedaż w Q2 na wykresie słupkowym" zwróci gotową wizualizację [3].

Czy Datasette Agent to przyszłość analizy danych w polskich firmach?

Potencjał jest duży, szczególnie dla:

• Sektora publicznego: analiza otwartych danych z dane.gov.pl bez konieczności pisania kodu
• MŚP: małe firmy, które nie stać na dedykowanego analityka, ale potrzebują szybkich odpowiedzi na pytania biznesowe
• Dziennikarstwa danych: szybka weryfikacja hipotez bez angażowania developerów

Wyzwania? Prywatność. Choć narzędzie działa lokalnie, niektóre firmy (np. banki) mogą obawiać się przetwarzania wrażliwych danych nawet na własnych serwerach. Drugi problem: polskie znaki. Datasette Agent nie ma oficjalnego wsparcia dla języka polskiego, więc pytania typu "Pokaż sprzedaż w województwie łódzkim" mogą wymagać ręcznej korekty nazw kolumn.

Werdykt: Dla kogo to must-have?

• ✅ Analitycy, którzy chcą oszczędzić 3-5 godzin tygodniowo na pisaniu SQL-a
• ✅ Firmy z danymi w SQLite/CSV, które potrzebują szybkich odpowiedzi bez inwestycji w infrastrukturę
• ✅ Dziennikarze i badacze pracujący z otwartymi danymi

Dla kogo overkill?

• ❌ Firmy z zaawansowanymi potrzebami analitycznymi (predykcja, NLP)
• ❌ Organizacje, które nie mogą przetwarzać danych lokalnie (np. ze względu na polityki bezpieczeństwa)
• ❌ Użytkownicy, którzy potrzebują pełnego wsparcia dla języka polskiego

Datasette Agent nie zrewolucjonizuje analizy danych, ale może sprawić, że stanie się ona mniej frustrująca. Dla polskich firm to szansa, by zacząć korzystać z AI bez wielomiesięcznych wdrożeń i milionowych budżetów.

Źródła

[1] Datasette Agent: A new AI assistant for Datasette — https://simonwillison.net/2026/May/21/datasette-agent/#atom-everything

[2] Announcing Datasette Agent — https://datasette.io/blog/2026/datasette-agent/

[3] datasette-agent-charts: Plugin for Datasette Agent — https://github.com/datasette/datasette-agent-charts

[4] LLM: A Python library for working with Large Language Models — https://llm.datasette.io/

[5] Datasette: An open source multi-tool for exploring and publishing data — https://datasette.io/

[6] Datasette Agent Demo Video — https://www.youtube.com/watch?v=AFZKp6hbFjI

[7] State of Data Science 2023 (Anaconda) — https://anaconda.com/resources/whitepapers/state-of-data-science-2023