深度报告
-
PromptQL 是 Hasura 出品的「多人 AI 工作空间」，它用共享线程代替了 Slack 式的碎片化沟通，让团队的上下文（Context）在每天的工作中自动积累而非衰变。2026 年 7 月 23 日在 Product Hunt 以「Multiplayer AI that replaces Slack」的定位上线，获 246 票当日第 3。PromptQL 区别于普通 AI 聊天工具的关键在于：它不只是一个人问 AI，而是整个团队共享一个能自学习的 AI 大脑——谁纠正一次，所有人都受益。已在 70 人团队内部验证，月活数据显示 wiki 贡献量从每日不足 50 条攀升至 300+ 条。PromptQL 的核心卖点不是「更快的答案」，而是「更少的重复说明和更少的信息流失」。
-
PromptQL 来自 Hasura——GraphQL 生态的明星公司。创始人 Tanmai Gopal 和 Rajoshi Ghosh 于 2017 年在班加罗尔创立 Hasura，2018 年开源 Hasura GraphQL Engine，至今累计超过 4 亿次下载、3.1 万 GitHub Stars。公司合计融资 1.365 亿美元，2022 年 Series C 由 Greenoaks 领投 1 亿美元，估值达 10 亿美元。投资方包括 Lightspeed、Nexus Venture Partners、Vertex Ventures。 Hasura 的主营业务一直是「让应用程序更快地访问数据」——通过 GraphQL 引擎零代码生成 API。但 Tanmai 多次在访谈中表达过一个判断：「如今需要访问数据的（不再是应用），而是 AI。AI 在替用户访问数据。」这个判断直接催生了 PromptQL。用 Tanmai 的话说，PromptQL 是「GraphQL 在 AI 时代的自然延续」。 2025 年 6 月 PromptQL 作为独立产品推出，最初定位是「AI 数据访问代理」，即用自然语言替代 SQL/API 查询企业数据。到 2026 年年中，产品方向发生了显著的演进——从纯数据层工具扩展为完整的多人 AI 工作空间。Hasura 官网的「About」页面已重定向到 promptql.io，说明这次转型在公司层面的优先级。创始人公开表示，公司已在内部（70 人团队）从 2026 年 2 月开始全面迁移到 PromptQL，替代了过去使用的 Slack。据 Tanmai 在 X 上的描述，这一实验「引发了团队级 AI 精神错乱（team-wide AI psychosis）」——共享 AI 开始聚合来自所有渠道、仓库和项目板的信息——但这反而证明产品已真正成为「AI 时代的 Slack」。 Hasura 目前约 170 名员工。2025 年 Suku Krishnaraj Chettiar（前 Sumo Logic CMO，曾将其从 1000 万美元做到 3 亿美元 ARR）加入担任 COO。PromptQL 已在财富 500 强客户中以 900 美元/小时的 AI 工程师咨询模式部署，数月内签下了七位数合同。但公司自 2022 年 Series C 后再未融资，且未公布任何 ARR 数据，说明 PromptQL 的商业模式可能仍处于探索期。
-
PromptQL 的功能体系可以拆解为三层：数据连接层、推理执行层和团队协作层。数据连接层：PromptQL 可以接入数据库（Snowflake、PostgreSQL 等）、SaaS 工具（Salesforce、Slack、Notion 等）API（通过 MCP 协议）和文件（Google Docs、电子表格等）。连接过程不需要建 ETL 管道或数据复制，走的是虚拟查询层，数据原地不动。这一点继承自 Hasura DDN（Data Delivery Network）的技术架构——用一套元数据层描述数据含义，AI 通过它查询而不直接接触底层存储。官方承诺「零数据复制」「数据不离开你的边界」。推理执行层：这是 PromptQL 最让人印象深刻的部分，也是它与普通 text-to-SQL 或 RAG 方案的根本区别。用户提问后，PromptQL 不直接生成答案，而是先生成一个可读、可编辑的查询计划（Query Plan），分步说明 AI 准备怎么做——从哪些源取数据、做什么计算、用什么假设。用户审阅并确认（或修正）计划后，才进入执行阶段。执行结果存为 Artifact（表格、图表、文本），独立于模型上下文之外，因此可以处理远超单次上下文窗口的数据量。这个「先计划、后执行」的架构解决了 LLM 最头疼的问题：编造答案。PromptQL 对每个答案给出可靠性评分（Reliability Score），基于查询复杂度、数据质量和模型置信度生成。分数低时，AI 会明确表示不确定，而不是硬着头皮输出。引用 Berkeley Data Agent Benchmark 的数据，当前前沿模型的最佳成绩也仅 43%（Opus 4.6），绝大多数 text-to-SQL 方案接近 0%。PromptQL 的创始团队认为这个差距正是「准确性问题」的症结所在。团队协作层：这是 2026 年 7 月发布的核心新价值。PromptQL 的线程是「多人共享」的：当你问一个问题，AI 的推理过程和中间结果对团队所有人可见。同事可以跳进来补充、纠正或者点赞。纠正一次就变成共享知识（Wiki 条目、Skill 或语义模型变更），以后所有人都不需要再重复说明。本质上，PromptQL 把「维护上下文」从额外负担变成了正常工作流程的副产品。在 UX 层面，产品看起来像一个带 AI 助手的聊天界面，但支持 Markdown 渲染、表格、图表。搜索结果以 Artifact 卡片展示。交互设计在细节上花了心思——当 AI 想学新东西时会主动弹出「PromptQL wants to learn」提示，用户确认后直接写入 Wiki。整个体验更像是在和一个聪明的同事协作，而不是在操作一个工具。
-
PromptQL 目前提供免费版（3 席位+有限查询额度）和付费 Pro 版（完整的数据仓库集成、Wiki 生成功能）。针对企业客户有定制方案。 从商业模式看，Hasura 采取了多重策略：一是 SaaS 订阅（按席位+查询量计费）；二是高端 AI 工程师咨询服务（900 美元/小时），帮财富 500 强客户在两周内完成 PromptQL 部署定制；三是 Token 充值（支持 Fable、Sol、Kimi-K3 等多种模型），产品发布时给 Product Hunt 用户赠送了 1000 美元 Token 额度。 这种多管齐下的策略说明 PromptQL 还处于探索最优定价模式的阶段。相比之下，竞品 Glean 面向企业的定价是每年数万美元起步。PromptQL 如果能在中小企业中靠免费版建立口碑，再向上走企业版，路径并不罕见。 不过一个值得关注的信号是：Hasura 本身的主要商业模式（GraphQL Engine 云版 + 自托管版）可能与 PromptQL 的定价体系产生内部竞争。如果团队已经在用 Hasura GraphQL Engine 做 API 层，为什么要额外付费买一个用自然语言做同样事情的 AI 层？这个交叉定位问题尚未被 Hasura 正面回答。
-
Product Hunt 上 PromptQL 获得 5.0/5.0 的评分（7 条评论），用户整体反馈积极。Hashnode 上一篇深度评测给了 3.5/5 分，认为产品真实有效但有摩擦感。 正面评价集中在「共享上下文」这个差异点上： - 一位导演级工程负责人 Shahidh K Muhammed 说：「我以前的时间花在切换工具上——Grafana、Slack、AWS、Snowflake、GitHub、Linear，没完没了。真正的工作不辛苦，辛苦的是工作之间的摩擦。PromptQL 让我一直处在心流状态。」 - 市场经理 Lili Riahi 说：「不管什么任务，我的起点都是 PromptQL 里开一个新线程。一点没夸张。它彻底改变了我工作的方式。」 - AI 负责人 Anushrut Gupta 说：「我不再维护 TODO 列表了。不是因为事少了，而是因为工作的单元不再是队列里的任务——它是一个已经在运转的线程。」 负面反馈和批评点： - 产品定位漂移：早期是「AI 数据访问代理」，现在是「多人 AI 工作空间」，用户可能困惑到底买的是什么 - 初始设置需要投入：连接多个数据源并教会它业务上下文需要时间，不是开箱即用 - 传播滞后问题：当遇到两个数据源冲突时，PromptQL 不会自动解决，而是标记矛盾后询问团队，这虽然严谨但拖慢节奏 - 免费版功能有限：无法充分测试核心卖点（多源数据集成+Wiki 生成），需要 Pro 版才能评估真实价值
-
媒体和行业分析师的关注度在 2026 年 7 月产品重新发布后明显升温。 RuntimeWire 在报道中认为 PromptQL 的差异化是「把整个工作空间当做一个可以按需生成任务特定 Agent 的 AI」，而不仅仅是「AI 辅助的团队聊天」。但文章也质疑：Slack、Microsoft Teams 和 Microsoft Copilot 已经在嵌入 AI，用户的习惯和平台网络效应是 PromptQL 需要克服的巨大障碍。 Grayscale VC 的分析文章从技术架构角度给予了很高的评价，认为 PromptQL 的「计划-执行分离架构」在可预测性、可控性和用户友好度三个维度上显著优于 MCP 工具编排、多 Agent 编排和 text-to-SQL 这三种主流方案。核心论点是 LLM 擅长计划但不擅长执行，PromptQL 用确定性执行补上了这个短板。 Crows Eye Intelligence Dossier 对 Hasura 的整体分析中提到：社区对 Hasura 从 GraphQL 向 AI 的转型存在分歧——V3/DDN 的架构变动让许多老用户感到被抛弃，云版定价上调也让部分用户不满。PromptQL 的高关注度能否弥补核心 GraphQL 社区的感情流失，是一个未解决的问题。 VentureBeat 的报道引用了 Tanmai 的核心判断：「最大的问题不是无法准确回答问题。最大的问题是 AI 假装准确即使它不准确。AI 在自信地犯错。这才是问题。」这段表述精准地抓住了 PromptQL 想要解决的问题——可靠性，而非速度或广度。
-
PromptQL 面临的最显著风险是「转型阵痛」。Hasura 花了近 6 年建立的 GraphQL 社区信任——3.1 万 GitHub Stars、4 亿次下载、30+ 知名企业客户——现在重新押注在一个尚未验证市场 fit 的新产品上。社区中已有不满声音：V3/DDN 的破格变化让许多老用户感到困惑，云版定价上涨也让人怀念 V2 时代。如果 PromptQL 未能达到预期收入，Hasura 可能面临既丢了 GraphQL 的基本盘又没在 AI 领域站住脚的尴尬。 隐私与安全方面，PromptQL 承诺「数据不离开你的边界」和「零数据复制」，系统架构层面的确做了虚拟查询层和属性级策略执行。但在 X 讨论中，用户询问 AI Agent 创建新连接器时是否会意外暴露敏感 API，创始人回应说每个集成受限于所有者的访问控制，开发者必须显式授权。这个机制目前只有官方说明，尚缺少独立的第三方安全审计报告。 竞争格局上，PromptQL 面临着来自多个方向的压力：横向有 Glean（知识管理和 AI 搜索）和 Notion AI（文档+AI）；纵向有微软 Copilot for Teams（嵌入现有办公生态）；技术层有 LangChain/LlamaIndex（Agent 框架）和 Defog（text-to-SQL）。每个竞品都有各自的护城河，PromptQL 的「共享上下文」虽然是独特的价值主张，但能否在已有协作工具生态中撕开口子，取决于它能不能让企业团队愿意集体迁移——而这恰恰是最难的。 产品定位漂移也是一个风险信号。官网从「AI 数据代理」变成了「多人 AI 工作空间」，创始人称之为「意外发现的产品」。这种声称代表了真实的需求信号，但也可能说明产品团队还没完全锁定目标市场和用户画像。
-
PromptQL 最合适的团队是那些数据源多、跨部门协作频繁、且受够了「同一问题在不同场合反复回答」的组织。具体来说： 适合：运营密集型企业（零售、物流、金融）中的分析团队，需要跨 Snowflake、Salesforce、内部系统做定期报告和数据驱动的决策；中小型科技团队，对 Slack 信息过载感到疲劳，愿意尝试以 AI 线程为核心的新工作模式；有跨地区协作需求的团队，希望统一分散在各处的业务上下文。 不太适合：只有单薄数据栈的小团队（一个 Google Sheet 就够了）；对数据安全有极端要求且不愿依赖第三方 SaaS 的企业；已经在 Glean 或其他知识管理工具上投入大量沉淀的团队。 替代方案方面，如果只是需要 text-to-SQL，Defog 或 Supabase 的 AI 查询功能更轻量；如果主要是知识管理，Glean 和 Notion AI 更成熟；如果只是想要 AI 辅助聊天，微软 Copilot for Teams 或 Slack AI 更无痛（至少不需要团队迁移）。PromptQL 的独特之处在于它把这几个需求整合在一起，但整合的代价是更高的学习成本和迁移成本。
-
PromptQL 是一个有大胆愿景的产品——用共享 AI 上下文取代碎片化的团队沟通——但它的成功不取决于产品本身好不好用，而取决于它能否让团队集体迁移到一个新的工作范式上。技术架构上，「计划-执行分离」和「自我修正的上下文层」代表了这个领域的前沿水平。市场层面，Hasura 的 GraphQL 根基为它提供了技术信誉和现有企业关系，但也带来了分心和定位模糊的风险。对于愿意尝试新工作模式的团队，PromptQL 值得一试；对于需要确定性 ROI 的企业，建议等它跑通几个季度再说。
用户评论
-
RMurphyX98—用了三天，已经不想回到 Slack 了。共享上下文这个思路太戳痛点。 -
KCampbell_7784—PH 上送了 1000 元 token 额度，拉上团队试了一下。怎么说呢，前半小时是懵的，适应了之后才发现原来 AI 可以这样跟团队协作。 -
MMendoza_Max—PromptQL 真的在重新定义团队协作。不用再反复传文件了，共享一个线程就行，AI agent 各自干各自的活，这体验绝了。 -
Msدینااحمدی_2024—纠正它一次，之后所有人都受益。这个「学到的东西变成共享技能」的机制太对了，不用每个人单独教一遍 AI。 -
RMorales_2021—权限这块做得挺扎实的，同一个 AI 对不同人看到的数据不一样。财务只能看财务的，销售只能看销售的，这才能让企业放心用。 -
Scott_Peterson_2024—用了 PromptQL 之后我再也不用每天在各种工具之间来回跳转了，Salesforce、Marketo、Outreach 的数据直接问就行。之前光回复「活动注册怎么样」「给这个客户发什么资料」这种问题就占了我大半天的精力，现在他们直接问 AI 了，我终于不用当信息中转站了。 -
JBakerZ—@nl_kapur 说的太对了，所有跨部门的上下文存在一个地方，再也不用翻聊天记录了！ -
nODErUNNERrEED—我们团队从 Slack 迁移到 PromptQL 两个月了，最大的感受就是上下文不丢失了。以前换一个项目就要重头翻聊天记录，现在 AI 直接知道我们之前讨论过什么，那种感觉太爽了。 -
mobp4kqkvf—连接器是真多，Snowflake、Postgres、MongoDB、BigQuery 全支持，连 MCP 协议也支持了。感觉 Hasura 在数据连接这块的积累全用上了。 -
CTurner_66—让团队集体迁移到新工具确实不容易，但这个方向是对的。人类负责上下文，AI 负责执行，分工明确。 -
KennethWood_Plus502—Slack 迁移过来确实有阵痛，但习惯了之后回不去了。最明显的变化是我们开会的次数少了很多，因为 AI 能直接回答「Alex 在忙什么」「这个项目卡在哪」，不需要专门拉人开会问了。 -
Emily_RamosQ62—价格是按消耗算的不是按人头算的，这点好评。团队人多了也不怕翻倍收费。 -
ticklishladybug283—评测里说它的计划-执行分离架构是最让人印象深刻的部分，我实测下来确实是这样。问完一个问题，AI 先给你看它想怎么查数据、算什么东西，你确认了再执行。这种透明感在其他 AI 工具上没见过。 -
JSullivan_X98—缺点也挺明显的，初始设置要花时间，得教会它理解你的业务。不是开箱即用的产品。而且一旦 wiki 里积累了错误信息，传播起来也挺吓人的。 -
Jesse_Murphy45—Hasura 这个团队确实厉害，能把 GraphQL 做到 31k Stars，现在搞 AI 工作空间也有一套。PromptQL 的「先计划再执行」模式解决了 AI 瞎编的问题，这是真正靠谱的地方。 -
Joseph_Morales_Plus225—做零售运营的应该有共鸣，最痛苦的就是不同数据源出来的报表对不上。PromptQL 遇到冲突不瞎编，而是把两边都列出来让你定，定了之后以后都按这个来。这点很务实。 -
Russell_AndersonX88—900 美元一小时的 AI 工程师咨询虽然贵，但听说 Fortune 500 已经在用了。Hasura 这个打法挺有意思，一边卖产品一边卖服务。 -
De_FiKing—产品方向变了好几次，从数据代理变成多人工作空间，感觉团队也在摸方向。不过底层技术确实扎实，先计划再执行的架构比 text-to-SQL 靠谱多了。 -
叶霖—如果你的团队每周超过 5 小时花在回答重复的数据问题上，PromptQL 是划算的。但如果你们的数据栈很单薄，那就没必要折腾了。 -
Christian_Collins—说实话免费版限制有点大，3 个席位查不了多少数据。想真正评估它的价值还是得升 Pro。但你要是有多数据源的需求，Pro 确实划算。 -
孔霞超—看到 McDonald's 和 Cisco 都在用了，企业级的安全合规应该问题不大。SOC 2、HIPAA 都支持的话金融行业也能进。 -
MsImranMostad_88—之前每天在 Grafana、AWS、Snowflake、GitHub、Linear 之间切来切去，真正的工作没多累，累的是工具之间的摩擦。PromptQL 把这些全放一个地方了，心流状态终于能维持住了。 -
Amber.Chavez007—能把 Snowflake、Salesforce 和 Slack 的数据拉在一起做分析，以前得自己写 SQL 做 ETL，现在直接打字就行。而且 AI 会把它的 SQL 和 Python 代码展示给你看，放心很多。