Evidence.dev 调研：SQL + Markdown + MCP Agent，把 BI 装进代码仓库的新范式

一句话钩子：6849★ · MIT · SvelteKit · DuckDB WASM —— 当所有 BI 厂商都在抢 ”AI Copilot 按钮 ” 时，Evidence 把整个 BI 平台直接搬进了你的 git 仓库，让 SQL 和 Markdown 成为报表的唯一真理，agent 通过 MCP 直接读你仓库里的报表。

2026 年的 BI 战场正在分裂成两条路线：

A 路线：拖拽 + AI 助手 —— Superset、Metabase、Looker Studio、Tableau。用户友好、所见即所得，AI 在旁边给建议。问题：报表逻辑和配置藏在数据库 / YAML / GUI 状态里， 没法 code review、没法 diff、没法让 agent 自动改。
B 路线：代码即报表 —— Evidence.dev、Lightdash、Hex。把报表写成 .md 文件，SQL 写在代码块里，版本管理走 git。

我们今天讲 Evidence 是因为它把 B 路线推到了一个极端：Markdown + SQL + 30+ 组件 + Parquet 跨源查询 + MCP 暴露给 Agent，已经不是一个 ” 轻量 BI 工具 ”，而是一个“ 可被 AI 直接消费的 BI 数据产品 ”。

维度	数值
GitHub	evidence-dev/evidence
Stars	6,849 ⭐（2026-08-14）
Forks	394
Open issues	271（活跃）
License	MIT ✅
首次 commit	2021-05-27（5 年）
主仓最近 push	2026-02-18（子包仍在 2-6 月活跃发版）
体积	296 MB（含 11MB 示例 DuckDB）
贡献者	68 人 / 总提交 9,853
核心维护者	ItsMeBrianD (2049) / hughess (1600) / archiewood (1556) / zachstence (1496)
默认分支	`main`
协议	MIT（双轨：Core 开源 + Studio 商业云）

一句话定位：”Business intelligence as code: build fast, interactive data visualizations in SQL and markdown”。

痛点直击：
1.
报表逻辑黑洞 —— Superset 的图表配置存数据库，Metabase 存 JSON，Tableau 存 .twbx。改个图表，code review 无门，事故复盘无据。
2.
Agent 拿不到报表 —— 现有 BI 都是 GUI，AI 只能截图 OCR 解析。Evidence 直接把报表变成 .md 文件，Claude / Cursor / 任何 Coding Agent 都能读、能改、能 commit。
3.
跨源查询靠 ETL —— 要查 Postgres + Snowflake + Google Sheets？以前必须 ETL 进数仓。Evidence 用 Parquet 中转 让 SQL 直接跨源 join。

Evidence 把 ”BI 平台 ” 拆成 5 个代码化对象，每个都有对应文件：

对象	形式	你写什么
数据源	`sources/<name>/connection.yaml` + `.sql`	一次抽取，Parquet 中转
数据查询	Markdown 文件里的 “`sql 块	任意 SQL，引用数据源
组件	Markdown 里的标签语法	`<BarChart data={query} />`
页面模板	一个 `.md` 文件	循环 / 条件 / 模板化生成
访问控制	`access.yaml`	页面级 + 行级权限

这是 Evidence 最具技术含量的设计 —— Parquet 跨源查询：

PostgreSQL ─┐
Snowflake  ─┤   npm run sources
BigQuery   ─┤   ─────────────►  Parquet 文件
Google Sheets ─┤                    │
CSV       ─┘                       ▼
                              Evidence SQL Engine
                              (基于 DuckDB WASM)
                                    │
                                    ▼
                          你的 .md 报表里任意 join

数据源连接器支持 16+：BigQuery / Snowflake / Redshift / PostgreSQL / Timescale / Trino / MS SQL Server / MySQL / SQLite / DuckDB / MotherDuck / Databricks / Cube / Google Sheets / CSV / JavaScript
npm run sources 触发抽取，只重跑变化的源（增量感知）
大数据源（百万行 +）支持 NODE_OPTIONS=--max-old-space-size=4096 调内存
构建时可注入变量：EVIDENCE_VAR__client_id=123 → SQL 里 ${client_id} 引用

这个架构跟 Cube.js（282）的 ” 语义层 ” 思路有点像，但 Evidence 是 消费端 ，Cube.js 是 供应端。两者甚至可以串起来用 —— Evidence docs 里直接支持 Cube 作为数据源。

一个 .md 文件里能写：

# Monthly Revenue

```sql orders_by_month
select date_trunc('month', order_date) as month,
       sum(amount) as revenue
from needful_things.orders
group by 1
order by 1
```

<BarChart data={orders_by_month} x=month y=revenue />

{#each months as month}
  ## {month.label}

  <DataTable data={orders_by_month.filter(r => r.month === month.value)} />
{/each}

SQL 块命名 orders_by_month → 后续组件直接引用
模板语法 Svelte 风格（{#each} / {#if} / {variable}）
30+ 组件：<AreaChart> / <BarChart> / <LineChart> / <DataTable> / <Dropdown> / <TextInput> / <Map> / <Heatmap> / <BigValue> / <FunnelChart> 等

官网最打眼的卖点不是技术，是 工作流：

能力	Evidence 给的
Push to Deploy	merge → 自动部署到 Netlify / Vercel / 自托管
Instant Rollback	任意 commit 一键回滚
Branch Previews	每个 PR 一个独立预览 URL
CI	PR 自动跑校验 + e2e 测试

这意味着改报表跟改代码走完全一样的流程 —— code review、版本对比、权限审批、A/B 上线 全部免费拿到。这是 Superset/Metabase 永远给不了的能力。

Cloud：Evidence Studio（闭源 SaaS，含 analytics agent）
Netlify / Vercel：静态站点天然契合
自托管：Docker / Node.js / 任意静态服务器
嵌入：Embedded JS SDK / White-labeled 完整品牌定制

这是 2026 年 Evidence 区别于所有其他 BI 的 最大杀招。

官网 8/14 改版后重磅推出的 “Analytics Agent”：

维度	详情
协议	MCP（Model Context Protocol，Claude Desktop / Cursor / ChatGPT / OpenClaw 都能接）
可用入口	Slack、MCP client、CLI
核心能力 1	Understands your project —— 把仓库里所有 dashboard 当作 agent 的 context，不需要 RAG 重新索引
核心能力 2	Builds new insights —— 团队成员让 agent 自己建报表 + 自己存档
核心能力 3	Custom context —— 你可以在仓库里写一份 ” 业务说明 markdown”，agent 立刻 get
核心能力 4	Skills —— 自建分析 playbook（包含可视化 + 输入框 + 澄清问题）
核心能力 5	Evals & Observability —— 跟踪 agent 准确率 + 失败分析

对飞熊读者（INTP / Coding Agent 重度用户）的真实意义：你不用截图给 AI 看你的 BI 了，你直接把 Evidence 仓库 clone 下来，agent 自己读、自己分析、自己提修改 PR。

架构层价值：

传统 BI：数据 → BI 平台 → 截图 → OCR → AI 看图分析
Evidence：数据 → .md 报表(版本管理) → MCP → Agent 直接读源码 → Agent 自己改 → PR

后者是 机器原生 的，前者是 机器模拟人。在 2026 年的 AI 时代，前者的天花板肉眼可见。

类别	组件数	代表
图表	12	AreaChart / BarChart / LineChart / ScatterPlot / BubbleChart / FunnelChart / HeatMap / Sankey / USMap / Map / ECharts / Plot
数据展示	6	DataTable（带 sparkline + 副总计 + 图片）/ BigValue / Sparkline / Html / Tabs / Accordion
输入控件	8	Dropdown / TextInput / NumberInput / DateInput / DateRange / Checkbox / Radio / Slider
布局	4	Grid / Tabs / Columns / Modal
自定义	∞	Custom Svelte components（套娃复用）
导出	2	PDF / XLSX（multi-tabbed）

工具	状态
VSCode 扩展	`Evidence.evidence-vscode` —— 一键建项目 + 状态栏 Start 按钮
CLI	`npx degit evidence-dev/template`
Cloud Editor	Evidence Studio 自带（无需本地安装）
第三方 IDE	JetBrains 系列没有官方插件，但 SvelteKit 生态能 cover

能力	实现
Scheduled Emails	任意页面定时发到邮箱（日报 / 周报 / 月报）
Page-level Access	单文件 `access.yaml` 控制谁能看
Row-level Access	按行级数据权限
Usage Analytics	哪些报表被读、谁在读（read receipts）
Embed	JS SDK / iframe + token 签名
White-label	完整品牌定制（logo / 域名 / 主题色）
Multi-tenancy	多客户 / 多工作区 / 多权限

把 Evidence 跟已调研的 14 篇 BI / 数据栈项目放一起看：

维度	Evidence.dev	Superset (270)	Metabase (274)	Lightdash (272)	Hex	Cube.js (282)
范式	Code-based (MD+SQL)	Drag-and-drop	Drag-and-drop	Code-based (YAML+SQL)	Notebook+SQL	Headless 语义层
License	MIT	Apache-2.0	AGPL+Commercial	MIT	闭源	Apache-2.0
Stars	6.8K	66K	48K	4.5K	—	5.5K
适合谁	工程师 + Agent	全公司	全公司	数据团队	数据科学家	数据团队 / BI 厂商
报表存在哪	`.md` 文件（git）	DB metadata	DB metadata	`.yml` 文件（git）	Notebook	API / Cache
Agent 接入	原生 MCP ⚡	无	无	部分	无	MCP 支持
跨源查询	Parquet 中转	弱（要 JDBC）	弱	dbt 集成	SQL cells	任意下游
学习曲线	中（要会 Svelte+SQL）	低	低	中（要会 dbt+YAML）	低	高
部署方式	Static / Cloud	Docker	Docker / Cloud	Cloud / Self	Cloud	API
Git 版本管理	✅ 天生	❌ DB only	❌ DB only	✅	❌	⚠️ 部分
AI Agent 改报表	✅ PR 直提	❌	❌	⚠️ 部分	⚠️	⚠️
最新动态	Studio 重写（26Q2）	5.x 持续	0.5x 持续	dbt 深度集成	Series C	语义层标准

选 Evidence 的场景：
– ✅ 你的团队主要写代码 / 写 SQL，不想碰拖拽 GUI
– ✅ 你希望报表逻辑可 code review / 可版本回溯 / 可让 Coding Agent 改
– ✅ 你用 Claude / Cursor / ChatGPT 等 Coding Agent 想让它
直接读报表、改报表

– ✅ 你需要跨 PostgreSQL + Snowflake + Google Sheets 跨源 join，不想搞 ETL
– ✅ 你想用 git PR 工作流管理报表上线

不选 Evidence 的场景：
– ❌ 你的报表消费者主要是
非技术 PM / 业务方（他们不会写 SQL / Markdown）
– ❌ 你已经重度投入 dbt + Lightdash，且不需要 Agent 集成
– ❌ 你的数据量是 TB 级实时（Parquet 中转架构会有延迟）
– ❌ 你想要成熟的 admin UI / 权限模型（Evidence Studio 在补，但还没 Metabase 成熟）

维度	Evidence	EmDash
底层	SvelteKit + DuckDB	Astro + MCP
领域	BI 报表	内容 CMS
核心范式	SQL+MD 写报表	Markdown 写文章
Agent 接入	Studio Analytics Agent	原生 MCP server
目标用户	数据团队	内容团队

两者代表同一波趋势：把 ” 专家工具 ” 从 GUI 拉回代码仓库，让 Coding Agent 能直接读写。Evidence 管数据产品，EmDash 管内容产品。

方式 A：VSCode 扩展（最推荐）

1. VSCode Marketplace 搜
Evidence → 装 Evidence.evidence-vscode

2.
F1 → Evidence: New Evidence Project

3. 状态栏点
Start Evidence → 自动 npm install + npm run dev

方式 B：CLI（geek 路线）

npx degit evidence-dev/template my-bi
cd my-bi
npm install
npm run dev
# → http://localhost:3000

方式 C：Docker

docker run -p 3000:3000 -v $(pwd):/evidence evidence/dev

浏览器打开 http://localhost:3000/settings
选数据源类型（如 PostgreSQL）→ 填连接信息
Evidence 自动测试连接 + 写 sources/<name>/connection.yaml
在 sources/postgres/ 加 .sql 文件定义要抽取的表：
sql -- sources/postgres/orders.sql select * from orders where created_at > '2026-01-01'
跑 npm run sources → 自动生成 Parquet

新建 pages/index.md：

# Monthly Revenue

```sql revenue_by_month
select date_trunc('month', order_date) as month,
       sum(amount) as revenue
from postgres.orders
group by 1
order by 1
```

<BarChart data={revenue_by_month} x=month y=revenue title="Revenue Trend" />

保存 → dev server 自动重载 → http://localhost:3000 看到图表。

# Vercel（零配置）npx vercel

# Netlify（拖拽 dist 目录也行）npm run build && netlify deploy --prod --dir=build

# 自托管（任何静态服务器）npm run build
# 把 build/ 目录拷到 nginx / caddy

~/.config/claude_desktop_config.json：

{
  "mcpServers": {
    "evidence": {
      "command": "npx",
      "args": ["-y", "evidence-mcp-server"],
      "env": {"EVIDENCE_PROJECT_PATH": "/path/to/your/project"}
    }
  }
}

然后在 Claude Desktop 里直接说：” 帮我把月营收图表改成按品类拆分 ”，agent 自己读 .md → 自己改 SQL → 自己提 PR。

Evidence 现在是 双轨制：
–
Evidence Core（MIT 开源）
–
Evidence Studio（闭源云服务，含 analytics agent / cloud editor / embedded / white-label）

类似 MongoDB（SSPL）+ Atlas / GitLab CE + EE 的关系。风险：未来如果 Studio 跑通，Core 可能放缓。 目前 2026 上半年观察：Core 仍在 2-6 月频繁发版（universal-sql / trino / sqlite / snowflake 等数据源子包都更新），活跃度 OK，但需要长期跟踪。

Markdown 模板语法是 Svelte 风格（{#each} / {#if}），如果团队只用过 React/Vue，需要适应期。但模板能力远强于普通 BI —— 真正的 ” 用代码表达报表逻辑 ”。

每次报表查询会触发 Parquet 抽取（如果源数据变了）。TB 级实时场景不适合，但百 GB 级以下 + ETL 已经处理过的数据源，体验非常好。

业务方不会写 .md 不会写 SQL。解法：
– 用 Evidence Studio 的 cloud editor（GUI）
– 或者用 Hex（notebook 风格）+ 团队里有 SQL 能力的人

不算失控（Metabase 是 4K+），但说明：
– 项目活跃是真活跃
– 也意味着响应慢的 issue 不少
– 重大 bug 修复 SLA 不一定有保证

Lightdash（272）跟 dbt 是深度绑定（dbt models 直接当数据源）。Evidence 也支持 dbt，但定位不同：Evidence 是消费端，Lightdash 是 dbt-native BI。如果你已经重度用 dbt，Lightdash 更顺。

MCP Analytics Agent 是 2026 年 BI 唯一杀招 —— 其他 BI 都在给 ”AI 按钮 ” 做装饰，Evidence 直接让 agent 读写你的报表仓库。agent 原生消费 BI 数据，这不是小升级，是范式跃迁。
Code review / Git / CI 是 BI 从未有过的工作流 —— 报表跟代码走完全一样的发布流程：A/B 上线、回滚、PR 审批、分支预览。 从此告别 ” 谁改了我的报表 ” 事故。
跨源 Parquet 查询是中型公司的 ETL 救星 —— 不需要 Airbyte + dbt + Cube.js 全链路搭一遍，直接 SQL 跨 PostgreSQL + Snowflake + Google Sheets join。 省掉一条 ETL pipeline。

如果你有以下任一场景，今晚花 30 分钟跑一下：

npx degit evidence-dev/template my-bi-test
cd my-bi-test && npm install && npm run dev

接一个你已有的 PostgreSQL / BigQuery 数据源 → 写一份月营收报表 → 改改 SQL 看 dev server 实时刷新 → 推到 git 看 PR 预览。如果你在第 20 分钟开始想 ” 为什么 Superset 不这么做 ”，那就对了。

GitHub · evidence-dev/evidence
官网 · Evidence.dev
Docs · What is Evidence
Docs · Data Sources 架构
Blog · Why we built usql (Parquet 架构)
Docs · Analytics Agent (MCP)（8/14 改版重磅发布）
GitHub · evidence-dev/template
GitHub · evidence-dev/labs（实验组件）
Slack · Evidence 社区
VSCode 扩展 · Evidence.evidence-vscode

Evidence.dev 调研：SQL + Markdown + MCP Agent，把 BI 装进代码仓库的新范式

写在前面：BI 的两条路线

一、它解决什么问题

二、核心能力：Everything as Code

2.1 数据源架构（独家亮点）

2.2 Markdown 报表语法

2.3 Git 集成（”Ship like software”）

2.4 部署选项：

三、Analytics Agent：MCP 时代的差异化（最值得装的理由）

四、可视化与编辑器能力

4.1 30+ 组件矩阵

4.2 编辑器生态

4.3 报表消费

五、对比 Superset / Metabase / Lightdash / Hex / Cube.js

核心判断

跟 7/15 EmDash CMS（141）的横向关系

六、实战：3 步跑通一个 Evidence 项目

6.1 安装（3 种方式任选）

6.2 配数据源（5 分钟）

6.3 写第一份报表（10 分钟）

6.4 部署（选一个）

6.5 接 Claude Desktop（杀手级玩法）

七、风险与坑

7.1 商业化分叉风险 ⚠️

7.2 SvelteKit 学习曲线

7.3 Parquet 中转架构的延迟

7.4 Markdown 报表对非技术 PM 不友好

7.5 Open issues 271 个

7.6 vs dbt 生态的边界

八、总结：3 个 ” 最值得装的理由 ” + 1 句 ” 先试一周 ”

最值得装的理由

先试一周

参考

近期文章

近期评论