深度報告
-
PromptQL 是 Hasura 出品的「多人 AI 工作空間」，它用共享執行緒代替了 Slack 式的碎片化溝通，讓團隊的上下文（Context）在每天的工作中自動積累而非衰變。2026 年 7 月 23 日在 Product Hunt 以「Multiplayer AI that replaces Slack」的定位上線，獲 246 票當日第 3。PromptQL 區別於普通 AI 聊天工具的關鍵在於：它不只是一個人問 AI，而是整個團隊共享一個能自學習的 AI 大腦——誰糾正一次，所有人都受益。已在 70 人團隊內部驗證，月活資料顯示 wiki 貢獻量從每日不足 50 條攀升至 300+ 條。PromptQL 的核心賣點不是「更快的答案」，而是「更少的重複說明和更少的資訊流失」。
-
PromptQL 來自 Hasura——GraphQL 生態的明星公司。創始人 Tanmai Gopal 和 Rajoshi Ghosh 於 2017 年在班加羅爾創立 Hasura，2018 年開源 Hasura GraphQL Engine，至今累計超過 4 億次下載、3.1 萬 GitHub Stars。公司合計融資 1.365 億美元，2022 年 Series C 由 Greenoaks 領投 1 億美元，估值達 10 億美元。投資方包括 Lightspeed、Nexus Venture Partners、Vertex Ventures。 Hasura 的主營業務一直是「讓應用程式更快地訪問資料」——透過 GraphQL 引擎零程式碼生成 API。但 Tanmai 多次在訪談中表達過一個判斷：「如今需要訪問資料的（不再是應用），而是 AI。AI 在替使用者訪問資料。」這個判斷直接催生了 PromptQL。用 Tanmai 的話說，PromptQL 是「GraphQL 在 AI 時代的自然延續」。 2025 年 6 月 PromptQL 作為獨立產品推出，最初定位是「AI 資料訪問代理」，即用自然語言替代 SQL/API 查詢企業資料。到 2026 年年中，產品方向發生了顯著的演進——從純資料層工具擴充套件為完整的多人 AI 工作空間。Hasura 官網的「About」頁面已重定向到 promptql.io，說明這次轉型在公司層面的優先順序。創始人公開表示，公司已在內部（70 人團隊）從 2026 年 2 月開始全面遷移到 PromptQL，替代了過去使用的 Slack。據 Tanmai 在 X 上的描述，這一實驗「引發了團隊級 AI 精神錯亂（team-wide AI psychosis）」——共享 AI 開始聚合來自所有渠道、倉庫和專案板的資訊——但這反而證明產品已真正成為「AI 時代的 Slack」。 Hasura 目前約 170 名員工。2025 年 Suku Krishnaraj Chettiar（前 Sumo Logic CMO，曾將其從 1000 萬美元做到 3 億美元 ARR）加入擔任 COO。PromptQL 已在財富 500 強客戶中以 900 美元/小時的 AI 工程師諮詢模式部署，數月內簽下了七位數合同。但公司自 2022 年 Series C 後再未融資，且未公佈任何 ARR 資料，說明 PromptQL 的商業模式可能仍處於探索期。
-
PromptQL 的功能體系可以拆解為三層：資料連線層、推理執行層和團隊協作層。資料連線層：PromptQL 可以接入資料庫（Snowflake、PostgreSQL 等）、SaaS 工具（Salesforce、Slack、Notion 等）API（透過 MCP 協議）和檔案（Google Docs、電子表格等）。連線過程不需要建 ETL 管道或資料複製，走的是虛擬查詢層，資料原地不動。這一點繼承自 Hasura DDN（Data Delivery Network）的技術架構——用一套後設資料層描述資料含義，AI 透過它查詢而不直接接觸底層儲存。官方承諾「零資料複製」「資料不離開你的邊界」。推理執行層：這是 PromptQL 最讓人印象深刻的部分，也是它與普通 text-to-SQL 或 RAG 方案的根本區別。使用者提問後，PromptQL 不直接生成答案，而是先生成一個可讀、可編輯的查詢計劃（Query Plan），分步說明 AI 準備怎麼做——從哪些源取資料、做什麼計算、用什麼假設。使用者審閱並確認（或修正）計劃後，才進入執行階段。執行結果存為 Artifact（表格、圖表、文字），獨立於模型上下文之外，因此可以處理遠超單次上下文視窗的資料量。這個「先計劃、後執行」的架構解決了 LLM 最頭疼的問題：編造答案。PromptQL 對每個答案給出可靠性評分（Reliability Score），基於查詢複雜度、資料質量和模型置信度生成。分數低時，AI 會明確表示不確定，而不是硬著頭皮輸出。引用 Berkeley Data Agent Benchmark 的資料，當前前沿模型的最佳成績也僅 43%（Opus 4.6），絕大多數 text-to-SQL 方案接近 0%。PromptQL 的創始團隊認為這個差距正是「準確性問題」的癥結所在。團隊協作層：這是 2026 年 7 月釋出的核心新價值。PromptQL 的執行緒是「多人共享」的：當你問一個問題，AI 的推理過程和中間結果對團隊所有人可見。同事可以跳進來補充、糾正或者點贊。糾正一次就變成共享知識（Wiki 條目、Skill 或語義模型變更），以後所有人都不需要再重複說明。本質上，PromptQL 把「維護上下文」從額外負擔變成了正常工作流程的副產品。在 UX 層面，產品看起來像一個帶 AI 助手的聊天介面，但支援 Markdown 渲染、表格、圖表。搜尋結果以 Artifact 卡片展示。互動設計在細節上花了心思——當 AI 想學新東西時會主動彈出「PromptQL wants to learn」提示，使用者確認後直接寫入 Wiki。整個體驗更像是在和一個聰明的同事協作，而不是在操作一個工具。
-
PromptQL 目前提供免費版（3 席位+有限查詢額度）和付費 Pro 版（完整的資料倉儲整合、Wiki 生成功能）。針對企業客戶有定製方案。 從商業模式看，Hasura 採取了多重策略：一是 SaaS 訂閱（按席位+查詢量計費）；二是高階 AI 工程師諮詢服務（900 美元/小時），幫財富 500 強客戶在兩週內完成 PromptQL 部署定製；三是 Token 充值（支援 Fable、Sol、Kimi-K3 等多種模型），產品釋出時給 Product Hunt 使用者贈送了 1000 美元 Token 額度。 這種多管齊下的策略說明 PromptQL 還處於探索最優定價模式的階段。相比之下，競品 Glean 面向企業的定價是每年數萬美元起步。PromptQL 如果能在中小企業中靠免費版建立口碑，再向上走企業版，路徑並不罕見。 不過一個值得關注的訊號是：Hasura 本身的主要商業模式（GraphQL Engine 雲版 + 自託管版）可能與 PromptQL 的定價體系產生內部競爭。如果團隊已經在用 Hasura GraphQL Engine 做 API 層，為什麼要額外付費買一個用自然語言做同樣事情的 AI 層？這個交叉定位問題尚未被 Hasura 正面回答。
-
Product Hunt 上 PromptQL 獲得 5.0/5.0 的評分（7 條評論），使用者整體反饋積極。Hashnode 上一篇深度評測給了 3.5/5 分，認為產品真實有效但有摩擦感。 正面評價集中在「共享上下文」這個差異點上： - 一位導演級工程負責人 Shahidh K Muhammed 說：「我以前的時間花在切換工具上——Grafana、Slack、AWS、Snowflake、GitHub、Linear，沒完沒了。真正的工作不辛苦，辛苦的是工作之間的摩擦。PromptQL 讓我一直處在心流狀態。」 - 市場經理 Lili Riahi 說：「不管什麼任務，我的起點都是 PromptQL 裡開一個新執行緒。一點沒誇張。它徹底改變了我工作的方式。」 - AI 負責人 Anushrut Gupta 說：「我不再維護 TODO 列表了。不是因為事少了，而是因為工作的單元不再是佇列裡的任務——它是一個已經在運轉的執行緒。」 負面反饋和批評點： - 產品定位漂移：早期是「AI 資料訪問代理」，現在是「多人 AI 工作空間」，使用者可能困惑到底買的是什麼 - 初始設定需要投入：連線多個資料來源並教會它業務上下文需要時間，不是開箱即用 - 傳播滯後問題：當遇到兩個資料來源衝突時，PromptQL 不會自動解決，而是標記矛盾後詢問團隊，這雖然嚴謹但拖慢節奏 - 免費版功能有限：無法充分測試核心賣點（多源資料整合+Wiki 生成），需要 Pro 版才能評估真實價值
-
媒體和行業分析師的關注度在 2026 年 7 月產品重新發布後明顯升溫。 RuntimeWire 在報道中認為 PromptQL 的差異化是「把整個工作空間當做一個可以按需生成任務特定 Agent 的 AI」，而不僅僅是「AI 輔助的團隊聊天」。但文章也質疑：Slack、Microsoft Teams 和 Microsoft Copilot 已經在嵌入 AI，使用者的習慣和平臺網路效應是 PromptQL 需要克服的巨大障礙。 Grayscale VC 的分析文章從技術架構角度給予了很高的評價，認為 PromptQL 的「計劃-執行分離架構」在可預測性、可控性和使用者友好度三個維度上顯著優於 MCP 工具編排、多 Agent 編排和 text-to-SQL 這三種主流方案。核心論點是 LLM 擅長計劃但不擅長執行，PromptQL 用確定性執行補上了這個短板。 Crows Eye Intelligence Dossier 對 Hasura 的整體分析中提到：社群對 Hasura 從 GraphQL 向 AI 的轉型存在分歧——V3/DDN 的架構變動讓許多老使用者感到被拋棄，雲版定價上調也讓部分使用者不滿。PromptQL 的高關注度能否彌補核心 GraphQL 社群的感情流失，是一個未解決的問題。 VentureBeat 的報道引用了 Tanmai 的核心判斷：「最大的問題不是無法準確回答問題。最大的問題是 AI 假裝準確即使它不準確。AI 在自信地犯錯。這才是問題。」這段表述精準地抓住了 PromptQL 想要解決的問題——可靠性，而非速度或廣度。
-
PromptQL 面臨的最顯著風險是「轉型陣痛」。Hasura 花了近 6 年建立的 GraphQL 社群信任——3.1 萬 GitHub Stars、4 億次下載、30+ 知名企業客戶——現在重新押注在一個尚未驗證市場 fit 的新產品上。社群中已有不滿聲音：V3/DDN 的破格變化讓許多老使用者感到困惑，雲版定價上漲也讓人懷念 V2 時代。如果 PromptQL 未能達到預期收入，Hasura 可能面臨既丟了 GraphQL 的基本盤又沒在 AI 領域站住腳的尷尬。 隱私與安全方面，PromptQL 承諾「資料不離開你的邊界」和「零資料複製」，系統架構層面的確做了虛擬查詢層和屬性級策略執行。但在 X 討論中，使用者詢問 AI Agent 建立新聯結器時是否會意外暴露敏感 API，創始人回應說每個整合受限於所有者的訪問控制，開發者必須顯式授權。這個機制目前只有官方說明，尚缺少獨立的第三方安全審計報告。 競爭格局上，PromptQL 面臨著來自多個方向的壓力：橫向有 Glean（知識管理和 AI 搜尋）和 Notion AI（文件+AI）；縱向有微軟 Copilot for Teams（嵌入現有辦公生態）；技術層有 LangChain/LlamaIndex（Agent 框架）和 Defog（text-to-SQL）。每個競品都有各自的護城河，PromptQL 的「共享上下文」雖然是獨特的價值主張，但能否在已有協作工具生態中撕開口子，取決於它能不能讓企業團隊願意集體遷移——而這恰恰是最難的。 產品定位漂移也是一個風險訊號。官網從「AI 資料代理」變成了「多人 AI 工作空間」，創始人稱之為「意外發現的產品」。這種聲稱代表了真實的需求訊號，但也可能說明產品團隊還沒完全鎖定目標市場和使用者畫像。
-
PromptQL 最合適的團隊是那些資料來源多、跨部門協作頻繁、且受夠了「同一問題在不同場合反覆回答」的組織。具體來說： 適合：運營密集型企業（零售、物流、金融）中的分析團隊，需要跨 Snowflake、Salesforce、內部系統做定期報告和資料驅動的決策；中小型科技團隊，對 Slack 資訊過載感到疲勞，願意嘗試以 AI 執行緒為核心的新工作模式；有跨地區協作需求的團隊，希望統一分散在各處的業務上下文。 不太適合：只有單薄資料棧的小團隊（一個 Google Sheet 就夠了）；對資料安全有極端要求且不願依賴第三方 SaaS 的企業；已經在 Glean 或其他知識管理工具上投入大量沉澱的團隊。 替代方案方面，如果只是需要 text-to-SQL，Defog 或 Supabase 的 AI 查詢功能更輕量；如果主要是知識管理，Glean 和 Notion AI 更成熟；如果只是想要 AI 輔助聊天，微軟 Copilot for Teams 或 Slack AI 更無痛（至少不需要團隊遷移）。PromptQL 的獨特之處在於它把這幾個需求整合在一起，但整合的代價是更高的學習成本和遷移成本。
-
PromptQL 是一個有大膽願景的產品——用共享 AI 上下文取代碎片化的團隊溝通——但它的成功不取決於產品本身好不好用，而取決於它能否讓團隊集體遷移到一個新的工作正規化上。技術架構上，「計劃-執行分離」和「自我修正的上下文層」代表了這個領域的前沿水平。市場層面，Hasura 的 GraphQL 根基為它提供了技術信譽和現有企業關係，但也帶來了分心和定位模糊的風險。對於願意嘗試新工作模式的團隊，PromptQL 值得一試；對於需要確定性 ROI 的企業，建議等它跑通幾個季度再說。
使用者評論
-
RMurphyX98—用了三天，已經不想回到 Slack 了。共享上下文這個思路太戳痛點。 -
KCampbell_7784—PH 上送了 1000 元 token 額度，拉上團隊試了一下。怎麼說呢，前半小時是懵的，適應了之後才發現原來 AI 可以這樣跟團隊協作。 -
MMendoza_Max—PromptQL 真的在重新定義團隊協作。不用再反覆傳檔案了，共享一個執行緒就行，AI agent 各自幹各自的活，這體驗絕了。 -
Msدینااحمدی_2024—糾正它一次，之後所有人都受益。這個「學到的東西變成共享技能」的機制太對了，不用每個人單獨教一遍 AI。 -
RMorales_2021—許可權這塊做得挺紮實的，同一個 AI 對不同人看到的資料不一樣。財務只能看財務的，銷售只能看銷售的，這才能讓企業放心用。 -
Scott_Peterson_2024—用了 PromptQL 之後我再也不用每天在各種工具之間來回跳轉了，Salesforce、Marketo、Outreach 的資料直接問就行。之前光回覆「活動註冊怎麼樣」「給這個客戶發什麼資料」這種問題就佔了我大半天的精力，現在他們直接問 AI 了，我終於不用當資訊中轉站了。 -
JBakerZ—@nl_kapur 說的太對了，所有跨部門的上下文存在一個地方，再也不用翻聊天記錄了！ -
nODErUNNERrEED—我們團隊從 Slack 遷移到 PromptQL 兩個月了，最大的感受就是上下文不丟失了。以前換一個專案就要重頭翻聊天記錄，現在 AI 直接知道我們之前討論過什麼，那種感覺太爽了。 -
mobp4kqkvf—聯結器是真多，Snowflake、Postgres、MongoDB、BigQuery 全支援，連 MCP 協議也支援了。感覺 Hasura 在資料連線這塊的積累全用上了。 -
CTurner_66—讓團隊集體遷移到新工具確實不容易，但這個方向是對的。人類負責上下文，AI 負責執行，分工明確。 -
KennethWood_Plus502—Slack 遷移過來確實有陣痛，但習慣了之後回不去了。最明顯的變化是我們開會的次數少了很多，因為 AI 能直接回答「Alex 在忙什麼」「這個專案卡在哪」，不需要專門拉人開會問了。 -
Emily_RamosQ62—價格是按消耗算的不是按人頭算的，這點好評。團隊人多了也不怕翻倍收費。 -
ticklishladybug283—評測裡說它的計劃-執行分離架構是最讓人印象深刻的部分，我實測下來確實是這樣。問完一個問題，AI 先給你看它想怎麼查資料、算什麼東西，你確認了再執行。這種透明感在其他 AI 工具上沒見過。 -
JSullivan_X98—缺點也挺明顯的，初始設定要花時間，得教會它理解你的業務。不是開箱即用的產品。而且一旦 wiki 裡積累了錯誤資訊，傳播起來也挺嚇人的。 -
Jesse_Murphy45—Hasura 這個團隊確實厲害，能把 GraphQL 做到 31k Stars，現在搞 AI 工作空間也有一套。PromptQL 的「先計劃再執行」模式解決了 AI 瞎編的問題，這是真正靠譜的地方。 -
Joseph_Morales_Plus225—做零售運營的應該有共鳴，最痛苦的就是不同資料來源出來的報表對不上。PromptQL 遇到衝突不瞎編，而是把兩邊都列出來讓你定，定了之後以後都按這個來。這點很務實。 -
Russell_AndersonX88—900 美元一小時的 AI 工程師諮詢雖然貴，但聽說 Fortune 500 已經在用了。Hasura 這個打法挺有意思，一邊賣產品一邊賣服務。 -
De_FiKing—產品方向變了好幾次，從資料代理變成多人工作空間，感覺團隊也在摸方向。不過底層技術確實紮實，先計劃再執行的架構比 text-to-SQL 靠譜多了。 -
葉霖—如果你的團隊每週超過 5 小時花在回答重複的資料問題上，PromptQL 是划算的。但如果你們的資料棧很單薄，那就沒必要折騰了。 -
Christian_Collins—說實話免費版限制有點大，3 個席位查不了多少資料。想真正評估它的價值還是得升 Pro。但你要是有多資料來源的需求，Pro 確實划算。 -
孔霞超—看到 McDonald's 和 Cisco 都在用了，企業級的安全合規應該問題不大。SOC 2、HIPAA 都支援的話金融行業也能進。 -
MsImranMostad_88—之前每天在 Grafana、AWS、Snowflake、GitHub、Linear 之間切來切去，真正的工作沒多累，累的是工具之間的摩擦。PromptQL 把這些全放一個地方了，心流狀態終於能維持住了。 -
Amber.Chavez007—能把 Snowflake、Salesforce 和 Slack 的資料拉在一起做分析，以前得自己寫 SQL 做 ETL，現在直接打字就行。而且 AI 會把它的 SQL 和 Python 程式碼展示給你看，放心很多。