Симон Уиллисон, известный разработчик и автор утилиты llm, представил версию 0.33. Релиз содержит несколько значимых изменений: обновление до OpenAI Python library 3.x, новый механизм управления ключами для эмбеддингов, возможность комбинировать шаблоны и поддержку опции reasoning_summary для моделей с рассуждением через Responses API.
Ключевые изменения
| Изменение | Описание |
|---|---|
| Обновление HTTP-клиента | Переход с httpx на httpx2, совместимый с OpenAI Python library 3.x |
| Ключи для эмбеддингов | Аргумент –key для llm embed и embed-multi, а также параметр key= в Python API |
| Комбинирование шаблонов | Повторение флага -t/–template для последовательного применения нескольких шаблонов |
| Reasoning summary | Опция reasoning_summary с значениями auto, concise, detailed для Responses API |
Обновление HTTP-клиента и библиотеки OpenAI
llm 0.33 переходит на OpenAI Python library 3.x и заменяет httpx на httpx2. Это исправление, которое Уиллисон оперативно выпустил в версии 0.32.1, теперь получило полноценную реализацию. Для пользователей это означает более стабильную работу с актуальными версиями клиента OpenAI и совместимость с новыми возможностями API.
Новый механизм ключей для эмбеддингов
Одно из ключевых нововведений — аргумент –key для команд llm embed и llm embed-multi. Теперь эмбеддинг-модели используют ту же схему работы с ключами, что и обычные LLM-модели. В Python API добавлены параметры key= для методов EmbeddingModel.embed(), EmbeddingModel.embed_multi(), Collection.embed() и Collection.embed_multi(). Это позволяет передавать разрешённый ключ для каждого вызова, не меняя общее состояние модели.
Существующие плагины, которые читают self.key, продолжают работать через механизм обратной совместимости. Реализация выполнена при участии контрибьютора ChrisJr404.
Комбинирование шаблонов
Флаг -t/–template теперь можно повторять, чтобы объединять несколько шаблонов последовательно. Это позволяет, например, создать шаблон с конфигурацией модели и набором опций, а затем применить его к шаблону с промптом.
Уиллисон приводит пример: можно сохранить шаблон lhigh с моделью gpt-5.6-luna и высоким reasoning_effort, а затем применить его к шаблону pelican, который генерирует SVG пеликана на велосипеде. Команда llm -t lhigh -t pelican запускает оба шаблона последовательно.
Поддержка reasoning_summary для Responses API
Для моделей, поддерживающих рассуждение, добавлена опция reasoning_summary с тремя значениями: auto, concise и detailed. Опция работает с llm openai endpoint –responses. Это особенно полезно для тестирования моделей, которые предоставляют собственную имитацию Responses API от OpenAI.
Для разработчиков и исследователей это означает возможность тонкой настройки объёма вывода рассуждений, что может быть важно для оценки качества ответов и отладки.
Практическое значение
Релиз llm 0.33 — это не просто набор исправлений. Новый механизм ключей для эмбеддингов упрощает работу с моделями, требующими отдельной аутентификации. Комбинирование шаблонов открывает сценарии, где конфигурация модели и промпт могут быть разделены и переиспользованы. Поддержка reasoning_summary даёт больше контроля над выводом моделей с рассуждением.
Для разработчиков, использующих llm в пайплайнах автоматизации и исследованиях, обновление стоит рассмотреть: оно улучшает совместимость, добавляет гибкость и не требует миграции существующих плагинов.
Источник: Simon Willison, llm 0.33 release notes, 22 августа 2026 года.