Datasette Agent 0.2a0 发布：工具可中途向用户提问，支持 SQL 查询保存
Datasette Agent 0.2a0 新增 ask_user() 功能，允许 AI 工具在执行中暂停并向用户提问（是非/多选/自由文本），问题持久化到数据库，重启后恢复。同时内置 save_query 工具，可安全保存 SQL 查询。对数据分析师和开发者提升交互式数据探索体验。
一句话看懂
Datasette Agent 0.2a0 让 AI 工具能在执行中途暂停并向用户提问，同时支持一键保存 SQL 查询，大幅提升交互式数据分析的灵活性和安全性。
详细发生了什么
Datasette Agent 是 Datasette 生态中的 AI Agent 工具，0.2a0 版本引入了两个关键特性。
-
ask_user() 机制：工具可以通过声明
context参数获得ToolContext对象，然后调用await context.ask_user(...)向用户提问。支持三种问题类型：yes/no、多选（options=[...]）和自由文本（free_text=True）。在用户回答前，Agent 回合会暂停，问题以表单形式渲染在聊天界面中，并持久化到内部数据库——即使服务器重启，对话也能恢复。用户回答后，工具会从头重新执行，并重放已存储的答案，因此建议在产生副作用之前调用ask_user()。 -
save_query 内置工具：Agent 可以将其生成的 SQL 保存为 Datasette 的存储查询（stored query）。保存操作始终需要人工确认——Agent 会展示完整的 SQL、建议的名称、数据库和可见性设置，只有用户点击“Yes”后才会真正存储。
这两个功能基于作者前一天借助 Claude Fable 5 构建的新 LLM alpha 版本实现。
中文圈视角
对于中文用户，尤其是数据分析师和开发者，这个更新有几点值得关注：
-
交互式数据探索的实用增强：ask_user() 让 AI 能在不确定时主动询问用户，例如“是否要过滤掉空值？”或“选择哪个时间范围？”，这比一次性生成完整 SQL 更符合真实工作流。国内类似工具如 DeepSeek 的代码解释器或 Kimi 的数据分析功能，目前缺乏这种暂停-询问-恢复的机制。
-
安全与可控性：save_query 要求人工确认才保存，避免了 AI 意外修改数据库。对于国内企业用户，这种“人机协同”模式更符合数据安全规范，也更容易被接受。
-
使用门槛：Datasette 本身是开源项目，国内用户可以直接部署，无需梯子。但 ask_user() 依赖 LLM alpha 版本，可能需要自行配置模型接口。目前没有直接的国产平替，但类似功能可期待在 ModelScope 社区或阿里云的 DataWorks 中出现。
-
盲点：中文社区对 Datasette Agent 的讨论较少，多数人更关注大模型本身，而忽略了这类“数据+AI”中间件的价值。对于需要频繁与数据库交互的团队，这个工具值得一试。
几条值得记住的细节
- ask_user() 支持三种问题类型：yes/no、多选、自由文本，通过
options和free_text参数控制。 - 问题持久化到内部数据库，服务器重启后未回答的问题依然存在。
- 工具在用户回答后会从头重新执行，因此建议在产生副作用前调用 ask_user()。
- save_query 保存 SQL 时，Agent 会展示完整 SQL、名称、数据库和可见性，需用户点击 Yes 才生效。
- 该功能基于作者前一天用 Claude Fable 5 构建的新 LLM alpha 版本。
一句话总结
如果你用 Datasette 做数据分析，这个版本让 AI 助手更懂你的需求，同时保证数据操作安全可控。