LuAITools.com
提交工具
AI 办公效率

Hex

Hex是一款面向数据团队的分析和协作平台，将SQL、Python、可视化和数据应用结合起来，适合企业数据分析与决策工作。

#数据分析#SQL#Python#数据应用#可视化#协作分析
访问官网

🏢 开发公司与背景

Hex 是一家云端协作式数据分析平台，网址 hex.tech，2019 年由几位前 Palantir 工程师创立。创始人在 Palantir 做过数据产品，他们把那种「在一个 notebook 里既写代码又给结论」的工作习惯搬到了网页上，再包了一层协作和发布能力。公司的基本判断是：数据团队不缺工具，缺的是一套能把 SQL、Python 和看板装进同一个页面的东西。

它把自己定位成 Jupyter 加独立 BI 工具的现代替代——既不是纯代码笔记本，也不是拖拽式看板，而是站在两者中间。2025 年 4 月收购了 BI 可视化与语义建模公司 Hashboard，同年完成 7000 万美元的 C 轮融资，Snowflake、a16z、Sequoia、Amplify 都参与了进来。背后有 Snowflake 这样的数据仓库巨头站台，说明它在数据栈里的位置是被看好的。

Hex
Hex

📅 上线时间

Hex 于 2019 年上线。放在数据工具的时间线上看，它出现的时候 Jupyter 已经流行了快十年，但团队协作和成果发布一直是 Jupyter 的短板，Hex 正是冲着这个缺口来的。

上线后的关键节点大致是：2025 年 4 月收购 Hashboard，补齐 BI 可视化和语义建模；2025 年拿到 7000 万美元 C 轮。到 2024 年收入约 1980 万美元，1500 多个团队在用。整体节奏是「先立住 notebook 协作，再用收购和融资往企业级扩」。

🧩 核心功能

一句话概括：在一个 notebook 式的界面里，把 SQL、Python、R 和无代码单元格混在一起写分析，然后一键发布成别人能点开用的数据 App。拆开看：

  • 多语言 notebook：SQL、Python、R、无代码单元格可以混排，一个页面里查数、算数、画图、写结论。
  • Hex Magic：用自然语言生成 SQL 或 Python，生成的是可审核的草稿，不是黑箱结果。
  • Notebook Agent：由 Claude 驱动的 agent，能自己规划并执行多步分析——查表、建图、写结论。
  • Threads agent：面向业务用户的自然语言数据问答。
  • Semantic model agent 与 dbt 语义层：把指标定义统一收口，问出来的数字口径一致。
  • 一键发布交互式数据 App：把分析转成带筛选器、下拉框的看板，同事直接点。
  • 实时协作：Google Docs 式的多人同屏编辑，加版本历史、行内评论。
  • 定时运行与通知：设置计划任务，跑完发邮件或 Slack。
  • 嵌入：把结果嵌进自己的产品里。
  • 连接器：接 Snowflake、BigQuery、Databricks、Redshift、Postgres、MySQL 等主流数据源。

✨ 主要亮点

  • 一套环境装下 SQL + Python + 看板：不用在 Jupyter、BI 工具、仪表盘之间来回跳，省切换成本。
  • 数据科学工作流是强项：pandas、scikit-learn、TensorFlow、D3.js 都能直接跑，ML 建模和结果展示在同一条线上。
  • 协作像 Google Docs：多人实时编辑、评论、版本历史，这是传统 notebook 一直缺的。
  • AI 从辅助到代理：从 Magic 生成代码，到 Notebook Agent 自己跑完整分析，自动化程度层层递进。

🤖 AI 技术与能力

Hex 的 AI 不是贴个聊天框了事，而是分成几层：

  • Hex Magic：在单元格里用自然语言描述需求，生成 SQL 或 Python。关键是它会给出草稿让你审，改完再跑，而不是直接塞一个结果。
  • Notebook Agent：这是 Claude 驱动的 agent。你丢给它一个目标，它会自己拆解步骤、查表、写代码、画图，最后给出结论。适合「帮我看看这个月转化率为什么掉了」这类需要多步推导的活。
  • Threads agent：给业务人员用的问答入口，用自然语言问数据，背后靠语义层保证口径。
  • Semantic model agent：配合 dbt 语义层，把指标定义统一起来，减少「同一个数两个人算出两个值」。

这套设计的聪明之处在于：代码生成永远是可审的，agent 的每一步也落在 notebook 里看得见，不是一锤子买卖。

🎯 实际应用场景

  • 数据分析团队：分析师用 SQL 拉数，数据科学家用 Python 建模，成果放在同一个 notebook 里交接。
  • 产品与增长团队：把留存、转化、渠道这些核心指标做成可交互 App，业务方自助看数，不用天天找分析师。
  • 机器学习团队：用 pandas、scikit-learn、TensorFlow 做特征工程和建模，D3.js 画自定义图表，全程不离开一个页面。
  • 管理层汇报：定时任务每周自动刷新，跑完推送到 Slack，汇报数字不用手动重跑。

国内团队可以把它跟 DeepSeek 这类模型结合——虽然 Hex 内置的 Notebook Agent 走 Claude，但数据分析的思路和流程可以复用，自己搭环境时能借鉴它「代码可审 + 步骤可见」的交互。跟国内的观远、帆软、DataV 这类偏拖拽的 BI 相比，Hex 更偏代码和 ML 工作流，适合已经习惯 SQL/Python 的团队，而不是纯业务自助分析。

🛠️ 具体使用方法

上手路径大致是：

  • 注册账号，从 Community 免费版开始试。
  • 连一个数据源——Snowflake、BigQuery、Postgres、MySQL 都行，填好凭证就能读表。
  • 新建 notebook，插入一个 SQL 单元格，写查询拉数；需要处理就加 Python 单元格。
  • 用 Hex Magic 把需求描述成自然语言，审一下生成的代码再跑。
  • 对复杂分析，直接给 Notebook Agent 一个目标，让它拆步骤执行。
  • 结果用图表或表格单元格展示，加标题、结论文字。
  • 点 Publish 发布成数据 App，设好筛选器和权限，把链接发给同事。
  • 要定期刷新就配一个定时运行，选邮件或 Slack 通知。

第一次用建议从「连库 → SQL 拉数 → Magic 生成一段 Python 处理 → 发布 App」这条最小路径走通，再往深了加 agent 和协作。

💡 使用技巧

  • Magic 生成的代码先读再跑：它给的是草稿，尤其是带 join 或窗口函数的 SQL，别直接信结果。
  • 把常用口径收进语义层：靠 Semantic model agent 或 dbt 把指标定义统一，团队少扯皮。
  • 用 Notebook Agent 拆「为什么」类问题：先问它打算怎么做，确认步骤合理再让它执行，省得跑偏。
  • 大数据量别硬扛：百万行、链式查询会卡，先把数据在仓库里聚合好再进 Hex。
  • 控制计算成本：计算是按量买的（约 0.32 到 4.06 美元/小时不等），长时间跑批先估一下量。
  • 发布前设好权限和筛选器：App 发出去给业务用，权限没配好容易看错数。

📈 实际案例

官方口径是 1500 多个团队在用，2024 年收入约 1980 万美元，G2 评分约 4.8/5。这些数字背后是「数据科学家 + 分析师 + 业务」混合团队的真实需求：一群人要共用同一套分析，又不能都去学 Jupyter。

典型用法是产品团队的周报看板——分析师把留存、转化、渠道数据做成 App，产品经理每天自己点，不用排队等数。数据科学团队则用它做探索性分析和模型原型，做完直接在一个页面里给团队演示，省掉「笔记本导出成 PPT」的工序。

📱 支持的平台

Hex 是纯云端网页应用，浏览器打开 hex.tech 就能用，不装客户端。主流桌面浏览器都支持。因为它依赖云端计算资源跑 SQL 和 Python，对本地机器配置要求不高，一台能上网的电脑就够。

换句话说，它没有传统桌面软件的概念，所有工作都在云端，团队成员换电脑、远程办公都不会断。

🌐 支持的语言

这里的「语言」有两层。一是 notebook 里的编程语言：支持 SQL、Python、R，还能插无代码单元格，四种可以混排。二是产品界面语言：目前以英文为主，没有完整的多语言 UI，这是国内团队上手时要适应的点。

数据源方面，连接器覆盖 Snowflake、BigQuery、Databricks、Redshift、Postgres、MySQL 等主流仓库和数据库，基本能满足多数团队。

💰 价格与收费标准

定价是「按席位 + 按量计算」的结构，分四档：

  • Community 免费：最多 5 个 notebook/项目加 5 个 App，AI 额度有限，每月约 100 次 Hex Magic。
  • Professional $36/编辑/月：无限 notebook/项目，无限 Magic，解锁 Notebook Agent，30 天版本历史，支持定时运行。
  • Team $75/编辑/月：在 Professional 基础上加 Threads agent、Semantic model agent、Explorer 角色、评审与审批、用户组、GitHub/GitLab/Airflow/Dagster/dbt 集成，以及无限版本历史。
  • Enterprise 定制：SSO/Okta/OIDC、单租户、HIPAA 合规、审计日志、Snowflake Marketplace、嵌入式分析。

计算是额外按量加购的：约 0.32 美元/小时（16GB 内存档）到 4.06 美元/小时（A10G GPU 档）。这套账的坑在后面「缺点」里细说——按分钟计费让预算很难精确预测。

👥 适合哪些人

  • 数据科学家 + 分析师混合团队：需要 SQL 和 Python 共存、还想要看板的团队。
  • 做过 ML 工作流的团队：pandas、scikit-learn、TensorFlow、D3.js 直接跑，建模和展示不割裂。
  • 要实时协作的团队：多人同屏编辑、评论、版本历史是刚需的场景。
  • 想让业务自助看数的团队：把分析发布成 App，业务方自己点。

反过来，纯业务用户不会 SQL/Python 的话，很多高级功能用不上，可能不如直接选偏拖拽的 BI。预算敏感的小团队也要掂量企业级价格。

👍 优点

  • 一套环境解决 SQL + Python + 看板：切换成本低，成果能直接交付。
  • 数据科学/ML 工作流强：主流库直接跑，D3.js 自定义图表，建模到展示一条线。
  • 实时协作体验好：Google Docs 式的编辑和评论，比传统 notebook 强太多。
  • 适合混合团队：会代码的和不会代码的能在一个页面上配合。
  • AI 分层清晰：从 Magic 到 agent，且代码可审、步骤可见。

⚠️ 缺点与使用限制

  • 高级功能要会 SQL/Python：不会代码的话，Hex 的一半价值发挥不出来。
  • 大数据量会卡：百万行数据、链式查询时体验下降，得先在仓库里做聚合。
  • 按分钟计费难预测预算：计算按量加购，跑批一多账单容易超预期。
  • AI/agent 有时过于说教：生成内容带一堆解释和注意事项，效率反而打折。
  • 功能重叠导致界面困惑：Magic、Notebook Agent、Threads 几套 AI 功能边界不直观，新人容易懵。
  • 企业定价贵：Team $75/编辑/月起步，规模一上来成本不低。

❓ 常见问题 FAQ

Hex 有免费版吗？

有，Community 版免费，但限制在 5 个 notebook/项目加 5 个 App，AI 额度有限，Magic 每月约 100 次。

Hex 和 Jupyter 有什么区别？

Hex 把 Jupyter 的 notebook 能力搬到云端，加了实时协作、版本历史、一键发布 App 和 AI 能力。Jupyter 更偏本地、个人、开源。

不会代码能用 Hex 吗？

可以用 Threads agent 做自然语言问答，也能点别人发布好的 App，但要发挥完整价值还是得会 SQL 或 Python。

Notebook Agent 是什么？

由 Claude 驱动的 agent，能自己规划并执行多步分析——查表、建图、写结论，你可以先看它的计划再让它跑。

计算费用怎么算？

计算按量加购，约 0.32 美元/小时（16GB）到 4.06 美元/小时（A10G GPU），按分钟计费。

支持哪些数据源？

Snowflake、BigQuery、Databricks、Redshift、Postgres、MySQL 等主流仓库和数据库都支持。

能嵌入自己的产品吗？

Enterprise 版支持嵌入式分析，把 Hex 的分析嵌进你自己的应用。

🔄 与同类 AI 工具对比

  • 对比 Jupyter Notebook：Jupyter 免费、开源、本地，但缺协作和发布；Hex 强在云端协作、App 发布和 AI，代价是收费和锁定云平台。
  • 对比 Deepnote：都做云端 notebook，Deepnote 偏开发者、轻量；Hex 更偏企业，AI agent 和语义层更重。
  • 对比 Mode：Mode 也是 SQL 优先的分析平台，但 Hex 的 Python/ML 和 AI agent 能力更突出。
  • 对比 Databricks：Databricks 是重型的湖仓一体 + 大规模数据处理，Hex 更适合中小数据量、要快速协作和发布 App 的团队。
  • 对比 Tableau/Power BI：那些是拖拽式 BI，业务用户友好；Hex 偏代码和 ML 工作流，分析师和数据科学家更顺手。
  • 对比国内 BI（观远、帆软、DataV）：国内工具强在报表、大屏和本地化部署，Hex 强在 SQL+Python 混排、实时协作和 AI agent，两者定位不同。

评论