Simon Willison publica llm 0.33 con plantillas combinables

El CLI de Simon Willison da un paso más hacia la automatización programable

Simon Willison, creador de Django y de Datasette, publicó el 22 de agosto la versión 0.33 de llm, su herramienta de línea de comandos para interactuar con modelos de lenguaje desde la terminal. El lanzamiento llega apenas un día después del parche 0.32.1 y, según Willison, representa "la corrección más completa" del problema que motivó la versión menor.

La liberación es relevante para founders y desarrolladores hispanohablantes porque consolida a llm como una capa de orquestación práctica para integrar IA en flujos de trabajo sin necesidad de levantar una aplicación web: se ejecuta desde la terminal, se conecta a múltiples proveedores y ahora soporta patrones de composición que antes requerían scripts personalizados.

Qué trae de nuevo llm 0.33

La versión 0.33 incorpora cuatro cambios sustantivos que elevan el nivel de la herramienta sin romper compatibilidad.

1. Migración a la OpenAI Python library 3.x y a httpx2

El primero —y el que motivó el hotfix del día anterior— es la actualización a la librería oficial de OpenAI para Python en su versión 3.x, junto con el cambio del cliente HTTP subyacente de httpx a httpx2. Willison ya había publicado un 0.32.1 exprés el 21 de agosto para mitigar los efectos, pero la versión 0.33 es el reemplazo definitivo y completo. Para los usuarios esto significa menos fricción al operar contra los endpoints más recientes de OpenAI y mejor compatibilidad con el resto del ecosistema Python moderno.

2. --key en embeddings sin tocar el estado compartido

Los comandos llm embed y llm embed-multi, así como los métodos de Python EmbeddingModel.embed(), EmbeddingModel.embed_multi(), Collection.embed() y Collection.embed_multi(), ahora aceptan el parámetro key= (o el flag --key en la CLI). El cambio clave es que la clave se resuelve por llamada, sin modificar el estado compartido del modelo. Los plugins existentes que leían self.key siguen funcionando gracias a un fallback de compatibilidad, según Willison, quien credita al colaborador ChrisJr404 por la contribución (issues #757 y #1620 del repositorio).

En la práctica, esto resuelve un dolor de cabeza clásico: hasta ahora, rotar claves entre proveedores o usar claves distintas para embeddings y para prompts obligaba a reconfigurar el modelo global. Con 0.33, cada llamada puede llevar su propia credencial.

3. Plantillas combinables: el patrón --template repetible

Esta es la mejora más comentada en el blog de Willison. El flag -t/--template de llm prompt ahora puede repetirse para combinar plantillas en orden. El ejemplo publicado lo ilustra con claridad:

llm -m gpt-5.6-luna -o reasoning_effort high --save lhigh
llm "Generate an SVG of a pelican riding a bicycle" --save pelican
# Combinar y ejecutar las plantillas
llm -t lhigh -t pelican

La consecuencia operativa es directa: ahora se pueden empaquetar en plantillas separadas (a) un modelo y sus opciones por defecto y (b) un prompt o sistema reutilizable, y luego combinarlas con -t A -t B. Esto desbloquea el patrón clásico de "alias de configuración" sin tener que duplicar parámetros en cada invocación. Para equipos que mantienen docenas de prompts internos, es un ahorro real de mantenimiento.

4. reasoning_summary en modelos con Responses API

Los modelos compatibles con la OpenAI Responses API que soportan razonamiento ahora aceptan un nuevo parámetro reasoning_summary con tres valores posibles: auto, concise y detailed. La opción funciona con llm openai endpoint --responses, según la documentación oficial de la herramienta (issue #1600).

Willison destaca que esta función es especialmente útil para probar distintos modelos que imitan la Responses API de OpenAI, ya que permite comparar de forma homogénea cómo cada proveedor expone o resume su cadena de razonamiento.

Por qué importa para founders y desarrolladores

Más allá de las notas del changelog, lo que deja ver esta versión es una dirección de producto clara. llm dejó de ser un simple wrapper para "hablar con un modelo desde la terminal" y se está convirtiendo en una capa de orquestación ligera: plantillas versionables, claves por llamada, soporte de razonamiento y compatibilidad con múltiples proveedores.

Para un equipo técnico pequeño —el caso típico de una startup temprana en LATAM o España—, esto significa tres cosas concretas:

• Automatizaciones reproducibles: los prompts críticos (clasificación de tickets, generación de resúmenes, extracción de entidades) se pueden guardar como plantillas versionadas en Git y combinarse con flags de configuración reutilizables. Adiós al copy-paste en Notion.
• Aislamiento de credenciales: cada llamada puede llevar su propia clave, lo que facilita trabajar con múltiples proveedores o rotar secretos sin reconfigurar el entorno.
• Comparación entre modelos con razonamiento: el reasoning_summary estandariza cómo se evalúan respuestas de distintos modelos de razonamiento, una necesidad creciente cuando el stack cambia cada trimestre.

Cómo empezar con llm 0.33

Si todavía no usas llm, aquí va una ruta mínima para evaluar la nueva versión:

• Instala la última versión siguiendo la guía oficial del proyecto en llm.datasette.io y configura al menos un proveedor (OpenAI, Anthropic, Gemini u Ollama local).
• Crea dos plantillas: una con el modelo y sus parámetros (llm -m <modelo> -o <opciones> --save <alias>) y otra con un prompt reutilizable (llm "texto" --save <alias>). Combínalas con llm -t <alias1> -t <alias2> para validar el nuevo patrón.
• Prueba --key en una llamada de embedding para confirmar que puedes usar credenciales distintas por invocación sin alterar la configuración global.
• Experimenta con reasoning_summary si trabajas con modelos que exponen razonamiento, comparando los valores concise y detailed sobre el mismo prompt para entender el coste/beneficio.

Conclusión

llm 0.33 no es una versión con grandes titulares de producto, pero es la clase de release que reduce fricción operativa semana a semana. La combinación de plantillas encadenables, claves por llamada y reasoning_summary consolida al CLI de Willison como una herramienta de productividad seria para equipos que ya integran IA en sus pipelines y necesitan hacerlo de forma repetible, sin montar una aplicación completa.

Para founders hispanohablantes construyendo con IA, la lección es más amplia: las herramientas CLI maduras —bien mantenidas, versionadas y con plantillas— son a menudo el camino más rápido entre una idea y un flujo de producción, especialmente cuando el equipo es pequeño y el tiempo de ingeniería es el recurso más caro.

Fuentes

• llm 0.33 — Simon Willison's blog
• llm 0.33 release notes en GitHub