Evidence
Evidence · 程式設計
Evidence 是開放原始碼的商業智慧平台，可用 SQL、Markdown 與 AI 建構資料產品。你在 Git 儲存庫裡以程式碼定義儀表板與報表，接著把它們發布成靜態網站，或透過託管的 Evidence Studio 執行。可以把它想成商業智慧即程式碼。它適合想要版本控管分析、而非拖放式 BI 工具的團隊，並內建能以自然語言回答資料問題的 AI 代理。對合適的團隊來說，設定起來很快。
關於 Evidence
Evidence 是什麼
Evidence 是一套商業智慧工具，把分析當成工程師對待軟體的方式來處理。你不必點選視覺化查詢產生器，而是撰寫 SQL 查詢、以 Markdown 排版報表，再把全部內容提交到儲存庫。這個專案最初是 Evidence Core，一套 MIT 授權的框架，你可以免費執行並自行託管。Evidence Studio 是建立在它之上的付費託管產品，加入了瀏覽器編輯器、頁面層級存取控制、排程報表與 AI 代理。
它解決的主要問題，是臨時性 BI 工具與程式碼工作流程之間的落差。作為開放原始碼 BI 工具，它的目標是早已生活在 Git 與 SQL 裡、並覺得拖放式平台又慢又難審查的分析師。有了 Evidence，他們建立儀表板就像建立任何其他專案一樣：開分支、預覽、開 pull request、合併、部署。合併一個變更就立即上線，回滾只要點一下。
最重要的限制在技術面。Evidence 假設你熟悉 SQL 與程式碼編輯器，或者至少願意學。它不是那種兩分鐘、不用寫查詢就能生出圖表的點選式工具。而講究的團隊功能，例如代理與存取規則，都落在 Studio 方案後面，而那並不便宜。
開始使用
- 走託管路線就註冊 Evidence Studio 帳號，若想用 Evidence Core 在本機建置，就安裝 CLI。
- 連接資料來源：用直接連接器把 Evidence 指向你的資料倉儲，或使用 Studio 內建的 Evidence Warehouse。
- 在
.md檔裡撰寫 SQL 查詢，再用 Markdown 文字與圖表、表格、篩選器等元件把它包起來。這就是資料視覺化平台那一層，而且是純文字。 - 工作時預覽頁面，不論是在瀏覽器編輯器裡，或透過 CLI 產生的本機預覽。
- 提交到 Git 並推送部署，或在報表準備好分享時從 Studio 發布。
產品資訊
快速了解 Evidence 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 熟悉 SQL 的資料分析師：Evidence 適合寧可寫查詢、不願拖拉欄位的人，也會回饋那些早已用 Git 做版本控管的人。
- 分析工程師：程式碼優先的工作流程，和他們交付資料模型的方式相符，所以報表就住在它所描述的管線旁邊。
- Studio 上的產品與營運團隊：只要存取規則設定妥當，非技術人員就能向代理提問，不必等分析師。
任務
- 建立週期性儀表板：用 Markdown 與 SQL 定義一次報表，再讓排程郵件與 CI 檢查維持它的更新。
- 發布可分享的資料應用：把同一個儲存庫變成靜態網站，託管在 Vercel、Netlify、Docker 或你自己的伺服器上。
- 用代理做臨時分析：讀者輸入自然語言查詢，得到的是依專案建構的答案，而不是空白的聊天視窗。這是沒有分析師瓶頸的自助式分析。
情境
- 透過 pull request 審查分析變更、並希望每個發布的數字都能追溯到某個提交的團隊。
- 從 Snowflake 或其他資料倉儲抽取指標、需要精緻報表層、又不想背負笨重 BI 授權的新創公司。
- 嵌入式分析的案例：在 Enterprise 方案下，報表以白標形式嵌進面向客戶的產品。
主要功能
BI as Code
Evidence 裡的一切，從查詢到版面再到主題，都以儲存庫內的檔案定義。這代表你的分析能享有和軟體同樣的工具：分支、差異比對、同儕審查與回滾。如果某個數字在正式環境看起來不對，你可以一路追溯到引入它的那個確切變更。對早已使用 Git 的團隊來說，這消除了一整類「誰改過這個儀表板」的問題。不必再猜。
Evidence 代理
在 Studio 上，Evidence 代理是你專案的 AI 助理。它把你現有的儀表板與報表讀作脈絡，接著以自然語言回答問題，並用 Evidence Markdown 撰寫新的分析。它尊重你的存取規則，所以讀者只會看到被允許查看的資料。你可以透過 Slack 或任何 MCP 用戶端聯繫代理，包括 Claude Desktop 與 ChatGPT，因此問題會在你團隊本來就會交談的地方得到解答。沒有人需要排隊等。這就是自助式分析的實務樣貌。為什麼這重要？因為答案是幾秒內送達，而不是幾天。
元件與視覺化
Evidence 有一套元件庫，涵蓋圖表、資料表、篩選器、下拉選單、地圖與切換開關。你可以做出出版等級的視覺化，再把某個自訂視覺抽象成全團隊可重複使用的元件。豐富表格支援走勢圖、小計與圖片，地圖則能處理熱區圖與自訂 GeoJSON。好處是，一次性的圖表能變成共用的積木，而不是每次重畫。少一點重複的苦工。
Git 工作流程與部署
推送即部署是預設做法。合併你的變更，它們就送達使用者；分支預覽讓你在變更進入正式環境前先看到實際樣貌；即時回滾能當場還原一次糟糕的合併。持續整合在每個 pull request 上執行自動檢查，所以壞掉的查詢會在發布前被攔下。這是真正的差別。傳統 BI 平台會讓一個壞掉的圖表無人察覺地上線。不太理想。
存取控制
存取規則放在單一受版本控管的檔案裡，而 Studio 加上到資料列層級的頁面存取控制。由你決定誰能開啟哪一頁，當報表同時混有敏感與一般資料時，這很重要。Enterprise 再加上資料列層級規則、SSO、SCIM 目錄同步與 SOC 2 報告，於是同一個平台就能同時服務內部團隊與面向外部的儀表板，不必再開第二套工具。
排程報表與匯出
任何頁面都能每天、每週或每月送到收件匣，而每份報表都能匯出成 PDF 或多分頁的 XLSX 活頁簿。對仍活在電子郵件與試算表裡的團隊來說，這補上了程式碼打造儀表板與讀者真正想要的格式之間的落差。這是個小功能，但往往是讓採用真正扎穩的那一個。讀者從不打開儲存庫。他們要的只是那個檔案。
優缺點
優點
- MIT 授權的開放原始碼核心，你可以自行託管框架，起步完全不花錢。
- 受版本控管的分析意味著每個發布的數字都能追溯到某個提交，並內建預覽與回滾。
- AI 代理可在 Slack 與 MCP 用戶端運作，讓非技術讀者自己回答資料問題。
- 原生資料倉儲連接器與靜態網站輸出，適合早已投入 SQL 與 Git 的團隊。
- 豐富元件涵蓋圖表、地圖、表格、篩選器與可重複使用的自訂視覺，無需額外工具。
缺點
- 工作流程假設具備 SQL 能力。期待拖放式報表建置的人，會覺得學習曲線很陡。
- 託管的 Studio 方案每月 $2,500 起，對不需要代理或存取規則的小團隊來說很難說得過去。
- 完整的團隊功能，例如資料列層級規則、SSO 與嵌入，需要自訂定價的 Enterprise 等級。
- 沒有原生行動 App，所以檢視儀表板得用瀏覽器。
常見問題
Evidence Core 是 MIT 授權的開放原始碼框架，你可以免費執行並自行託管。Evidence Studio 是含編輯器、代理與存取規則的託管平台，屬於付費產品，提供 30 天試用起。
相關內容
探索與 Evidence 相關的工具、技能與文章。
Evidence 替代方案
Forefront
Forefront · 程式設計Forefront 是一個用來打造開源 AI 的網頁平台。你可以用自己的資料微調主流的開源語言模型、評估它們的表現，再透過 API 執行，或匯出後自行架設。想要封閉式平台的便利、卻堅持要自己擁有模型與資料的開發者，就是這裡的目標客群。
Startkit
StartKit.AI · 程式設計Startkit 是一套用來打造 AI SaaS 與 AI 包裝產品的樣板。可以把它想成一個 AI 新創樣板，把枯燥的部分都先接好了：驗證、Stripe 與 Lemon Squeezy 付款、用量限制、交易型電子郵件，以及一套能與 OpenAI、Anthropic、Groq 或 Llama 溝通的 AI API 啟動套件。你複製儲存庫、設定價格，然後專心在產品中使用者真正願意付費的部分。它建構於 React 與 Tailwind 之上的 Next.js，所以大部分的樣板程式碼對你來說並不陌生。
Testim
Tricentis · 程式設計Testim 是專為網頁、行動與 Salesforce 應用程式打造的 AI 測試自動化平台，用來建立並執行端到端測試。它靠機器學習在介面變動時維持測試穩定，團隊因此少花時間修補壞掉的定位器。對於一款今天就能開始使用的自動化測試工具來說，這表現不算差。你透過在瀏覽器錄製動作來建立測試，需要更多控制時再補上 JavaScript。對忙碌的 QA 團隊來說，這是個可靠的選擇。