Deepnote ist eine Cloud-Notebook-Kollaborationsplattform für Datenteams, die kollaborative SQL/Python-Hybridausführung in Echtzeit, Versionsverwaltung und Planungsfunktionen auf Produktionsebene bietet.

deepnote

Kernparameter und Statistiken

Die offizielle Positionierung von Deepnote hat sich von einer „Datenteam-Kollaborationsplattform“ zu einem „offenen Datenarbeitsbereich“ entwickelt, mit Funktionen wie KI-Agent, Daten-App, Dashboard, Pipeline-Planung und Modelldiensten, die dem Notebook-Kern überlagert sind. Es handelt sich nicht um eine in der Cloud gehostete Version des herkömmlichen Jupyter, sondern um ein Datenbetriebssystem, das „Analyse, Anwendung und Automatisierung“ auf derselben Plattform integriert.

Projekte	Öffentliche Informationen
Offizielle Positionierung	Offener Datenarbeitsbereich (offener Datenarbeitsbereich)
Kernform	Cloud-Notizbuch + Daten-App + KI-Agent + Dashboard
Open-Source-Lizenz	Apache 2.0 (öffentliches GitHub-Repository)
GitHub-Sterne	~3.000 Sterne / 199 Gabeln
Benutzerskala	Über 500.000 Datenexperten
Firmenkunden	MoneyLion, Estée Lauder, SoundCloud, Statsig, Gusto, DAZN, Wooga, Papaya
Bildungsberichterstattung	Wird von 96 der 100 besten Universitäten weltweit verwendet
Datenquellenintegrationen	Über 100 integrierte Integrationen (Snowflake, BigQuery, Redshift, PostgreSQL, Databricks, ClickHouse und mehr)
Compliance-Zertifizierung	SOC 2 Typ II, HIPAA, DSGVO, CCPA
Unterstützte Sprachen	Python, R, SQL
Bereitstellungsmethode	Cloud SaaS / Selbstgehostete Open Source / Private Bereitstellung für Unternehmen
Hauptsitz	Tschechische Republik

Positionierungsunterschied zu Jupyter/Colab/Hex: Jupyter ist ein lokales Einzelperson-Tool, Colab ist eine kostenlose Plattform für persönliche Experimente und Hex ist auf BI-Analysen ausgerichtet. Der Unterschied von Deepnote liegt in der „Integration von der Exploration bis zur Produktion“ – das gleiche Notebook kann vor Ort in eine geplante Pipeline, eine interaktive App, ein Dashboard oder ein KI-Agenten-Skill-Modul umgewandelt werden, ohne dass ein Export und Import zwischen mehreren Tools erforderlich ist.

Deepnote AI Agent: Die AI Agent-Funktion, die im Jahr 2026 gefördert wird, ermöglicht es Benutzern, Datenabfragen, Codegenerierung, Diagrammerstellung und Modellbereitstellung durch Anweisungen in natürlicher Sprache in Notebook auszulösen. Der Agent kann vordefinierte „Skill“-Module aufrufen, um eine wiederverwendbare Analyseautomatisierungseinheit zu bilden.

Benutzer und Marktbekanntheit von Deepnote

Die Marktbekanntheit von Deepnote beruht auf zwei Ebenen: Mundpropaganda in der Open-Source-Community und Unterstützung durch Unternehmenskunden und nicht auf öffentlichen Finanzierungs- oder Umsatzzahlen.

Community-Größe: Die offizielle Seite zeigt, dass mehr als 500.000 Datenexperten Deepnote nutzen. Das öffentliche Repository von GitHub umfasst etwa 3.000 Sterne und 199 Forks. Obwohl die Community nicht riesig ist, umfasst die Liste der Mitwirkenden (23 Personen) eine große Anzahl externer Mitwirkender, was darauf hindeutet, dass sich das Open-Source-Ökosystem in einem stetigen Aufbaustadium befindet. Die Einreichungen sind im Juli 2026 noch aktiv, und die jüngsten Commits betreffen die Härtung der Datenbankintegrationssicherheit und die Erweiterung der CLI-Funktionen.

Verifizierung von Unternehmenskunden: Die Unternehmen auf der öffentlichen Logowand decken mehrere Branchen ab – SoundCloud (Audio-Streaming), Estée Lauder (Schönheit), MoneyLion (Finanztechnologie), Statsig (A/B-Testplattform), Gusto (Gehalt und Sozialleistungen), DAZN (Sport-Liveübertragung), Wooga (Spiele), Papaya (Zahlung). Die Größe der Datenteams dieser Unternehmen variiert zwischen Dutzenden und Hunderten, was darauf hindeutet, dass Deepnote sowohl für kleine und mittlere Datenteams als auch für große Unternehmen geeignet ist.

Durchdringung des Bildungsmarktes: 96/100 der weltweit führenden Universitäten nutzen Deepnote dank seiner kostenlosen Strategie für Studierende und Lehrende. Die Durchdringung von Bildungsszenarien hat eine große Anzahl potenzieller Unternehmensbenutzer für Deepnote hervorgebracht, die „die Nutzungsgewohnheit nach dem Abschluss ablegen“, was nicht nur die Kosten der Kundenakquise senkt, sondern auch die Grundlage für zukünftige Umsatzumwandlungen bildet.

Kundenmeinungen: Unter öffentlichen Zitaten kommentierte der leitende Datenanalyst von SoundCloud, dass „die Implementierung von Deepnote so einfach ist wie die Verbindung mit BigQuery“, der MLOps-Ingenieur von MoneyLion sagte, dass „die Migration von JupyterHub fast keine Kosten verursacht“, und Gustos Leiter für Datenwissenschaft stellte fest, dass „die Einrichtungszeit von Tagen auf Sekunden reduziert wurde“. Diese Rückmeldungen konzentrieren sich auf die beiden Dimensionen „einfache Bereitstellung“ und „verbesserte Effizienz der Zusammenarbeit“ und nicht auf einen einzelnen Algorithmusindikator.

Kostenvorteil von Deepnote

Der Kostenvorteil von Deepnote liegt nicht in seinem absolut niedrigen Preis, sondern in seiner hierarchischen Abdeckung von „kostenlos für Einzelpersonen + sitzbasiertes Team + Unternehmensprivatisierung“ und der impliziten Reduzierung der Kosten für den Tool-Chain-Wechsel im gesamten Datenanalyseprozess.

C-Client/Einzelbenutzer: Der kostenlose Plan kann dauerhaft genutzt werden, unterstützt 3 Editoren, bis zu 5 Projekte, bietet unbegrenzte Basismaschinen (5 GB RAM / 2 vCPU), 7-Tage-Versionsverlauf und begrenztes Deepnote AI-Aufrufkontingent (AI-Code-Vervollständigung 10 Mal/Monat und Auto AI 5 Mal/Monat). Für das persönliche Studium und kleine Erkundungen ist es völlig ausreichend. Studierende und Lehrende erhalten zusätzlich kostenlose Credits.

Teamplan (Teamzusammenarbeit): 39 $/Redakteur/Monat (jährliche Zahlung, ca. 20 % Rabatt), beinhaltet unbegrenzte Projekte und Zuschauer, GPT-5.5- und Sonnet 4.6-Zugriff, Hintergrundausführung, geplanter 30-tägiger Versionsverlauf, monatliche KI-Credits im Gegenwert von 39 $, CPU-Computing im Gegenwert von 280 $, GPU-Computing im Gegenwert von 50 $. Der Kernwert liegt darin, Rechenressourcen, KI-Funktionen und Tools für die Zusammenarbeit in einer festen Sitzplatzgebühr zu bündeln. Im Vergleich zum separaten Abonnement von JupyterHub (Infrastruktur) + GitHub Copilot (KI) + Slack (Benachrichtigungen) + selbst erstelltem Scheduler können die Gesamtkosten normalerweise um 40–60 % gesenkt werden.

Enterprise/private Bereitstellung: Die Preisgestaltung erfordert Geschäftskommunikation, einschließlich maßgeschneiderter Verträge und Rechnungen, vorrangigen Support, dedizierte Kundenerfolgsmanager, unbegrenztes KI-Kontingent, Berechtigungsgruppen-SSO/Verzeichnissynchronisierung, private Docker-Images, integriertes LLM, Prüfprotokolle, Einzelmandantenbereitstellung und lokale private Cloud-Optionen. Die tatsächlichen Kosten für Unternehmen umfassen nicht nur Sitzplatzgebühren, sondern auch die Arbeitsstunden zur Datenpipeline-Anpassung für die Migration bestehender Arbeitsabläufe, Mitarbeiterschulungszyklen und die implizite Investition in Compliance-Audits.

Typische monatliche Ausgaben für das Datenteam für die drei Lösungstypen:

Benutzertypen	Typische Konfiguration	Monatliche Gebührenschätzung	Enthaltene Ressourcen	Überlegungen zu versteckten Kosten
Einzelperson/Student	1 Herausgeber	$0	Basismaschine, begrenzte KI	Projektlimit 5
Kleines Team (5 Personen)	5 Redakteure Team jährliche Zahlung	~195 $/Monat	5×Plus Maschinen-KI-Punkte	Überschüssige Rechenleistung muss bei Bedarf erworben werden
Mittelgroßes Team (20 Personen)	20 Redakteure Team jährliche Vergütung	~780 $/Monat	20×Plus-Maschinen, Team-Berechtigungsverwaltung	Es muss geprüft werden, ob ein Upgrade auf Enterprise	durchgeführt werden soll
Unternehmen (50+ Personen)	Unternehmensanpassung	Geschäftsbestätigung erforderlich	SSO für private Bereitstellung, Prüfung	Migrations- und Schulungskosten

Hauptfunktionen von Deepnote

Das funktionale System von Deepnote basiert auf einer vierschichtigen Architektur mit „Notebook als Kern, AI Agent als Intelligenzschicht, Daten-App/Dashboard als Bereitstellungsschicht und Pipeline als Automatisierungsschicht“. Die folgenden Merkmale sind seine öffentlich überprüfbaren Fähigkeiten:

• KI-Agent und Skill-System: Deepnote AI Agent ist eine zentrale neue Funktion im Jahr 2026. Benutzer können direkt mit dem AI-Agenten in Notebook sprechen und der Agent kann das vordefinierte „Skill“-Modul aufrufen, um Vorgänge wie Datenabfrage, Codegenerierung, Diagrammerstellung und Modellbereitstellung durchzuführen. Das Skills-Modul besteht aus einer Reihe wiederverwendbarer Notebook-Schritte, die eine spezifische Analyselogik (z. B. „Einkommenszerlegung“, „Benutzerbindungsanalyse“) kapseln. Das Domänenwissen des Teams kann in Vermögenswerte umgewandelt werden, die vom Agenten in Form von Fähigkeiten abgerufen werden können. Synergie: Der Agent beantwortet nicht nur Fragen, sondern generiert auch Notizbücher als Arbeitsergebnisse – das bedeutet den gesamten Prozess vom „Stellen einer Frage“ bis zum „Erhalten eines reproduzierbaren und teilbaren Analyseberichts“, nicht nur Textantworten im Gespräch.

• Mischausführung von SQL + Python: Verwenden Sie SQL und Python gleichzeitig im selben Notebook, und die SQL-Abfrageergebnisse werden ohne manuellen Export automatisch in DataFrame konvertiert. Unterstützt die Jinja-Vorlagensyntax (integriert über dbt), sodass SQL-Abfragen über variable und bedingte Logikfunktionen verfügen können. Expertenmeinung: Hierbei geht es nicht einfach darum, „zwei Sprachen zusammenzufügen“, aber es eliminiert den schmerzhaftesten diskontinuierlichen Arbeitsablauf für Analysten von „Daten prüfen -> CSV speichern -> Python lesen“. Nachdem Sie Millionen von Daten in BigQuery oder Snowflake abgefragt haben, führen Sie die Pandas-Verarbeitung direkt durch. Der Vorgang, der zuvor den Wechsel von 3 Werkzeugen erforderte, kann innerhalb von 5 Sekunden abgeschlossen werden.

• Zusammenarbeit und Versionsverwaltung in Echtzeit: Mehrere Personen können gleichzeitig dasselbe Notebook bearbeiten und der Cursor, der Ausgabe- und Ausführungsstatus können in Echtzeit angezeigt werden. Integrierter Versionsverlauf von 7–30 Tagen (je nach Plan), unterstützt Versionsvergleich und Rollback. Notizbücher können über Links geteilt werden, ohne dass Dateien exportiert werden müssen. Synergie: Durch die Kombination aus Versionsverlauf und Zusammenarbeit in Echtzeit entfallen die Kosten für die Nachverfolgung, „wer was geändert hat“ – in herkömmlichen Jupyter-Workflows wird das Chaos, das Teammitglieder durch Dateinamen und Datumssuffixe verwalten (analysis_final_v3_final_real.ipynb), durch einen einheitlichen Status und einen nachvollziehbaren Änderungsverlauf ersetzt.

• Daten-App und Dashboard: Konvertieren Sie Notebook mit einem Klick in eine interaktive Webanwendung, die benutzerdefiniertes Layout, Eingabekomponenten (Text, Selektor, Schieberegler, Datumsauswahl) und durch Schaltflächen ausgelöste Aktionen unterstützt. Der Dashboard-Modus eignet sich zur Konsolidierung von Analyseergebnissen in Assets, die vom Team eingesehen werden können, und die Daten werden in Echtzeit mit dem zugrunde liegenden Notebook verknüpft. Szenariowert: Geschäftspersonal kann über die Parameterauswahl Datenansichten verschiedener Dimensionen anzeigen, ohne den Code zu berühren, wodurch das Datenteam von der sich wiederholenden Arbeit des „Abrufens von Daten für das Unternehmen“ befreit wird.

• Pipeline-Planung und Notebook-API: Unterstützt die geplante Ausführung von Notebook nach Stunde/Tag/Woche/Monat und verteilt die Ergebnisse nach Abschluss automatisch über Slack oder E-Mail. Gleichzeitig kann Notebook als REST-API-Endpunkt bereitgestellt werden, um die Produktion von Modelldiensten oder Datenschnittstellen zu realisieren. Engineering-Tipp: Der eigentliche Wert des Schedulers liegt nicht nur in der geplanten Ausführung, sondern auch in der „Reproduzierbarkeit“ – jede Ausführung basiert auf demselben Kontext und derselben Datenquelle, und die Ausgabe ist nachvollziehbar, wodurch die Kontroverse „Der Bericht der letzten Woche unterscheidet sich vom Bericht dieser Woche“ vermieden wird.

• Über 100 integrierte Datenquellenintegrationen: Deckt Data Warehouses (Snowflake, BigQuery, Redshift, ClickHouse, Athena), Datenbanken (PostgreSQL, MySQL, SQL Server, MongoDB, Databricks), Dateispeicher (S3, GCS, Google Drive, Dropbox, OneDrive), Tools für die Zusammenarbeit (Slack, Notion, Airtable) und ML-Plattformen (dbt, MLflow, W&B, Neptune) usw. ab. Die oben genannten Lösungen des Teams werden unterstützt VPN/SSH-Tunnel zur Verbindung von Datenquellen innerhalb des privaten Netzwerks.

• Modelltraining und GPU-Unterstützung: Deepnote bietet GPU-Maschinenoptionen (12 GB K80-GPU) zur Unterstützung des Modelltrainings, der Evaluierung und der Servicebereitstellung in Notebooks. Der Team-Plan beinhaltet ein GPU-Guthaben in Höhe von 50 $ pro Monat. Grenzerklärung: Die GPU von Deepnote eignet sich für das Training und die Feinabstimmung kleiner und mittlerer Modelle (z. B. die Feinabstimmung von LLaMA 7B), ist jedoch nicht für verteiltes Training in großem Maßstab oder Deep-Learning-Aufgaben mit hoher Intensität geeignet, die Parallelität mehrerer Karten erfordern.

• Open-Source-Toolchain: Zu den im Jahr 2026 als Open Source bereitgestellten Kernkomponenten gehören „@deepnote/blocks“ (Notebook-Blocktypdefinition und Python-Codegenerierung), „@deepnote/convert“ (bidirektionale Konvertierungs-CLI zwischen den Formaten .ipynb/.qmd/.py und .deepnote) und die Erweiterung Deepnote VS Code/Cursor/Windsurf. Die Bedeutung der Open-Source-Strategie besteht darin, dass Teams .deepnote-Dateien in der lokalen IDE bearbeiten und sie dann zur Zusammenarbeit in die Deepnote Cloud ziehen können, wodurch das Trennungsproblem von „lokaler Entwicklung/Cloud-Zusammenarbeit“ gelöst wird.

Modell- und Versionsentwicklung von Deepnote

Als SaaS-Dienst gibt es bei Deepnote nicht das Konzept der „Versionsnummer“ im herkömmlichen Sinne. Das Folgende ist ein Evolutionsprozess, der durch öffentlich nachvollziehbare Meilensteinknoten organisiert wird:

Grundlegende Plattformstufe (2021–2024)

• Öffentlicher Start (~2021-09): Deepnote wird zum ersten Mal öffentlich als Cloud-Notebook-Kollaborationsplattform eingeführt. Das Hauptverkaufsargument ist „Daten-Notebook-Zusammenarbeit ähnlich wie Google Docs“. Einen offiziellen genauen Termin gibt es noch nicht.
• SQL-Block-Release (~2022): Führt native SQL-Ausführungsblöcke ein, unterstützt das Mischen von Python und SQL im selben Notebook und Abfrageergebnisse werden automatisch in DataFrames konvertiert. Diese Phase basiert auf der „%%sql“-Magie von Jupyter, bietet jedoch ein umfassenderes Integrationserlebnis.
• Daten-App/Dashboard-Version (~2023): Aktualisieren Sie die Notebook-Ausgabe auf eine interaktive Webanwendung und ein Dashboard und erweitern Sie so die Bereitstellungsform von Notebook.
• Enterprise-Version und Funktionen auf Unternehmensebene (~2023–2024): Einführung von Funktionen auf Unternehmensebene wie SSO, RBAC, Audit-Log-HIPAA-Konformität, private Bereitstellung usw., um in den Einkaufsbereich mittlerer und großer Organisationen einzusteigen.

Native KI-Phase (2025–2026)

• KI-Codevervollständigung und Auto-KI (~2025): Integrieren Sie KI-gestützte Funktionen in Notebook, einschließlich automatischer Codevervollständigung, Codegenerierung in natürlicher Sprache, Codeerklärung und automatischer Diagrammgenerierung. Jeder kostenlose Plan ist auf 5–10 Mal pro Monat begrenzt. Für Team und höher gibt es keine Beschränkung.
• Open Source Core (2025-2026): Schrittweise Open Source ab 2025, und Kernpakete wie „@deepnote/blocks“, „@deepnote/convert“, „@deepnote/cli“, „@deepnote/runtime-core“ und andere Kernpakete werden unter der Apache 2.0-Lizenz veröffentlicht. Das GitHub-Repository befindet sich derzeit in aktiver Entwicklung.
• KI-Agent und Skill-System (2026): Einführung eines dialogorientierten KI-Agenten zur Unterstützung des Aufrufs des Analyse-Workflows durch das Skill-Modul. Dies ist ein wichtiger Knotenpunkt bei der Transformation von Deepnote von einem „Bearbeitungstool“ zu einer „intelligenten Datenplattform“.
• .deepnote YAML-Format (2026): Ersetzt das JSON-Format von .ipynb und verwendet ein für Menschen lesbares YAML-Format zum Speichern von Notebooks für Git-Diff und Versionskontrolle.

Versionsstatus

Derzeit wird Deepnote als SaaS-Dienst kontinuierlich iteriert und hat keine feste Versionsnummer. Die neueste Version von „@deepnote/runtime-core“ auf GitHub ist 0.4.0 (2026-06), und die Gesamtzahl der Veröffentlichungen beträgt 89. Funktionsaktualisierungen von Cloud-Produkten werden über „deepnote.com/changelog“ veröffentlicht. Es wird empfohlen, das offizielle Changelog und die GitHub-Releases als Echtzeit-Benchmarks zu verwenden.

Die technischen Vorteile von Deepnote

Der technische Vorteil von Deepnote beruht auf der „architektonischen Einheit“ und nicht auf einem einzelnen Leistungsdurchbruch. Der Kern liegt in der Eliminierung von Reibungsverlusten beim Werkzeugwechsel im gesamten Datenanalyseprozess.

Vereinheitlichte Vier-Schichten-Architektur: Notebook (Analyseschicht), AI Agent (Intelligence-Schicht), Daten-App/Dashboard (Bereitstellungsschicht) und Pipeline (Automatisierungsschicht) basieren auf derselben zugrunde liegenden Plattform. Datenteams können alle Schritte von der Datenerfassung, -exploration und -analyse über die Modellerstellung bis hin zur Anwendungsbereitstellung in derselben Umgebung durchführen. Mechanismus und Wirkung: Im herkömmlichen Arbeitsablauf schreiben Analysten Code in Jupyter, verwenden Slack zum Übertragen von Ergebnissen und verwenden Tableau zum Erstellen von Dashboards – jedes Mal, wenn sie Tools wechseln, fallen Kosten für Kontextwechsel und Formatkonvertierung an. Deepnote vereint diese vier Schritte auf einer Plattform und reduziert so die Anzahl der Werkzeugwechsel für eine einzelne Analyseaufgabe von 4–5 auf 0–1.

Reaktive Ausführungs-Engine: Notebook verwendet ein reaktives Rechenmodell – wenn sich die Daten oder der Code eines Upstream-Blocks ändern, werden alle Downstream-Blöcke, die von diesem Block abhängen, automatisch erneut ausgeführt. Technische Bedeutung: Im herkömmlichen Jupyter müssen nach der Änderung eines Datenladeblocks alle nachfolgenden Abhängigkeitsblöcke manuell erneut ausgeführt werden. Eine Auslassung führt zu inkonsistenten Ergebnissen. Die reaktive Ausführung gewährleistet die Reproduzierbarkeit der Ergebnisse und reduziert gleichzeitig die Zeitverschwendung beim Debuggen, die durch das „Vergessen, einen bestimmten Schritt erneut auszuführen“ entsteht.

Innovation im .deepnote-Dateiformat: Verwenden Sie YAML, um das JSON-Format von .ipynb zu ersetzen und Notebook, Datenquellenintegrationskonfiguration und Kontexteinstellungen in derselben „.deepnote“-Datei zu speichern. Direkte Auswirkungen auf den Git-Workflow: Die JSON-Struktur von .ipynb ist in Git Diff nahezu unlesbar (ein großer JSON-Blob), während das YAML-Format Codeänderungen und Ausgabeänderungen lesbar macht und Teams sowohl Notebook-Änderungen als auch Code überprüfen können. Gleichzeitig wird der „contentHash“-Mechanismus eingeführt, um die Ausgabe vom Quellcode zu trennen – nur Codeänderungen lösen Diff aus, und Änderungen der Diagrammausgabe belasten den Git-Verlauf nicht.

Über 100 integrierte Integrationen – Verbindungen ohne Konfiguration: Die Integrationen von Deepnote sind „integriert“ und nicht „Plug-ins“ – Benutzer müssen nur Datenbankanmeldeinformationen oder OAuth-Autorisierung eingeben, um eine Verbindung herzustellen, ohne Treiber zu installieren, ODBC zu konfigurieren oder Verbindungszeichenfolgen zu bearbeiten. Konstruktiver Wert: Bei mittleren und großen Unternehmen, in denen es oft mehr als fünf Arten von Datenquellen gibt, werden die manuellen Konfigurations- und Wartungskosten jedes Connectors oft unterschätzt. Die Integrationsmethode von Deepnote reduziert die Zeit für den Zugriff auf neue Datenquellen von Stunden auf Minuten.

Aufrufarchitektur des AI Agent-Tools: Zu den Kernverhalten des Tools, die von Deepnote AI Agent bereitgestellt werden, gehören „deepnote.run(skill, ...)“ zum Aufrufen des Skill-Moduls, „deepnote.query(sql)“ zum direkten Abfragen der Datenbank, „deepnote.chart(data, type, ...)“ zum Generieren von Diagrammen und „deepnote.publish(notebook)“ zum Veröffentlichen von Notebook als freigegebener Link. Der Workflow-Link lautet: „Benutzeraufforderung -> LLM -> Werkzeugauswahl -> Fertigkeits-/Abfrageausführung -> Ergebnisdarstellung im Notebook“. Das Modell nutzt diese Tools, um den gesamten Prozess vom Verständnis der Benutzerabsichten bis zur Bereitstellung reproduzierbarer Analyseergebnisse abzuschließen. Leitfaden zu Fallstricken: Der Agent hat möglicherweise das Problem, dass er in mehrstufigen Aufgaben wiederholt dieselbe Abfrage ausführen muss. Es wird empfohlen, beim Entwerfen des Skills Idempotenz und Ergebnis-Caching zu berücksichtigen. Für Abfragen mit großen Datenaggregationsmengen müssen ein Abfragezeitlimit und eine Obergrenze für die Anzahl der Ergebniszeilen festgelegt werden, um zu verhindern, dass der Agent Anweisungen zum vollständigen Tabellenscan generiert, die dazu führen, dass die Berechnungen die Grenze überschreiten.

Zwei-Wege-Kanal zwischen Open Source und der Cloud: Die Beziehung zwischen dem Open Source Warehouse und der Cloud ist nicht einseitig. Benutzer können „.deepnote“-Dateien lokal in VS Code oder Cursor bearbeiten und sie dann zur Teamzusammenarbeit und Cloud Computing in die Deepnote Cloud ziehen; Cloud-Notizbücher können auch als lokale „.deepnote“-Dateien zur weiteren Bearbeitung heruntergeladen werden. Diese Bidirektionalität ist in der Branche weniger verbreitet – die meisten Cloud-Notebooks (wie Colab, Kaggle) können nicht offline bearbeitet werden und lokalen Tools (wie Jupyter) fehlen Möglichkeiten zur Zusammenarbeit.

Wie man es benutzt

Deepnote bietet mehrere Einstiegspfade, die persönliche Erkundung, Teamzusammenarbeit und Bereitstellung auf Unternehmensebene abdecken.

So verwenden Sie	Geeignet für Menschen	Funktionen	Kosten
Deepnote Cloud (Webversion)	Alle Benutzer	Besuchen Sie deepnote.com, um sich zu registrieren und zu verwenden. Für Cloud-Hosting ist keine Installation erforderlich	Kostenlos (3 Editoren/5 Projekte) und höher
VS-Code / Cursor / Windsurf-Erweiterung	Entwickler	Bearbeiten Sie .deepnote-Dateien in der IDE, führen Sie sie lokal aus oder übertragen Sie sie in die Cloud	Open Source und kostenlos
CLI-Tool (@deepnote/cli)	DevOps / Fortgeschrittene Benutzer	Integration der Befehlszeilenverwaltung, Ausführen von Notebooks, Konvertieren von Formaten	Open Source und kostenlos
Private Bereitstellung für Unternehmen	Organisationen mit hohen Compliance-Anforderungen	Einzelmieter-/Private-Cloud-Bereitstellung, bitte wenden Sie sich an den Vertrieb	Geschäftsbestätigung erforderlich

Schnell loslegen (Cloud):

1. Besuchen Sie „deepnote.com“, um ein Konto zu registrieren und den kostenlosen Plan auszuwählen.
2. Erstellen Sie ein neues Projekt und wählen Sie Python oder R-Kernel aus.
3. Fügen Sie in Notebook einen SQL-Block hinzu, um eine Verbindung zu einem Data Warehouse (z. B. BigQuery, Snowflake) herzustellen, oder laden Sie eine CSV-Datei hoch.
4. Verwenden Sie Python-Blöcke für die Datenverarbeitung und -visualisierung sowie die KI-Codevervollständigung, um die Codierung zu beschleunigen.
5. Klicken Sie auf „Veröffentlichen“, um das Notebook als Link zu teilen, oder verwenden Sie „Planen“, um eine geplante Ausführung festzulegen.
6. Nutzen Sie bei Bedarf den App-Modus, um das Notebook in eine interaktive Anwendung zu verwandeln.

Schnell loslegen (lokales Open Source): „Bash

Installieren Sie @deepnote/convert CLI

npm install -g @deepnote/convert

Konvertieren Sie ein vorhandenes Jupyter-Notebook in das .deepnote-Format

deepnote-convert notebook.ipynb

Öffnen Sie die .deepnote-Datei in VS Code (die Deepnote-Erweiterung muss installiert sein)

Code „notebook.deepnote“. „

So rufen Sie AI Agent an: Öffnen Sie das AI Assistant-Panel in Notebook und geben Sie direkt Anweisungen in natürlicher Sprache ein, z. B. „Analysieren Sie die Gründe für den Umsatzrückgang im März“. Der Agent ruft automatisch den vordefinierten Skill „Umsatzzerlegung“ auf und generiert ein Analysenotizbuch mit Abfragen, Visualisierungen und Schlussfolgerungen. Fähigkeiten können vom Datenteam vordefiniert und präzisiert werden, um einen wiederverwendbaren Analyse-Asset-Pool zu bilden.

Migrationspfad: Die Migration von Jupyter zu Deepnote erfordert normalerweise drei Schritte: (1) Konvertieren von „.ipynb“ in „.deepnote“ über „deepnote-convert“; (2) Konfigurieren Sie die Datenquellenintegration, um die fest codierte Datenbankverbindung zu ersetzen. (3) Überprüfen Sie die Konsistenz der Ausführungsergebnisse in Deepnote Cloud. Laut offiziellen Kundenangaben dauert der Migrationsprozess je nach Anzahl der Notebooks und Komplexität der Datenquelle Stunden bis Tage.

Produktpreise für Deepnote

Auf der Deepnote-Preisseite werden drei Pläne offengelegt: Free, Team und Enterprise. Die Gesamtstruktur weist eine progressive Struktur aus „kostenlose Verifizierung -> Bezahlung pro Sitzplatz -> Enterprise-Geschäft“ auf.

Abmessungen	Kostenlos	Team (39 $/Redakteur/Monat, jährliche Bezahlung)	Unternehmen
Maximale Anzahl Redakteure	3	Keine Begrenzung	Keine Begrenzung
Anzahl Projekte	5	Keine Begrenzung	Keine Begrenzung
AI-Code-Vervollständigung	10 Mal/Monat	Keine Begrenzung	Keine Begrenzung
Automatische KI/Code-Generierung	Jeweils 5 Mal/Monat	Keine Begrenzung	Keine Begrenzung
KI-Agent (GPT-5.5 / Sonnet 4.6)	Keine	Im Lieferumfang enthalten	Inbegriffen + Kann Ihr eigenes LLM mitbringen
Maschinenspezifikationen	Basic (5 GB RAM, 2 vCPU) unbegrenzt	Plus (16 GB RAM, 4 vCPU) unbegrenzt	Plus + Leistung + GPU optional
GPU-Computing	Keine	50 $ monatliches Guthaben	Skalierbare Mengenrabatte
Geplante Planung	Keine	Unterstützung	Unterstützung
Versionsverlauf	7 Tage	30 Tage	Unbegrenzt
SSO/Verzeichnissynchronisierung	Keine	Keine	Unterstützt
Audit-Protokoll	Keine	Keine	Unterstützung
HIPAA-Konformität	Keine	Keine	Unterstützung
Privater Einsatz	Keine	Keine	Einzelmieter/lokale private Cloud

KI-Punkte-Mechanismus: Der Team-Plan beinhaltet 39 $ pro Monat an KI-Punkten, die zum Aufruf externer LLM-Modelle wie GPT-5.5 und Sonnet 4.6 verwendet werden können. Der überschüssige Betrag muss mengenmäßig zurückgekauft werden. Für Teams, die AI Agents stark nutzen, bedeutet dies, dass die tatsächliche monatliche Gebühr möglicherweise höher ist als die Grundgebühr für den Sitzplatz und Flexibilität im Budget reserviert werden muss.

Bildungsrabatt: Studenten und Lehrkräfte erhalten kostenlosen Zugang zu Funktionen auf Teamebene (unbegrenzte KI und begrenzte GPU), was ein zentraler Hebel der Bildungsdurchdringungsstrategie von Deepnote ist.

Computing-Ressourcen-Ergänzung: Der Team-Plan beinhaltet außerdem CPU-Computing im Wert von 280 USD und ein Guthaben für GPU-Computing im Wert von 50 USD pro Monat. Wenn die Analyseaufgabe ein umfangreiches Datenscannen oder Modelltraining umfasst, können Sie sie erweitern, indem Sie bei Bedarf Performance- (64 GB RAM, 16 vCPU), High Memory- (128 GB RAM, 16 vCPU) oder GPU- (K80) Maschinen erwerben.

Anwendungsszenarien

Die Implementierungsszenarien von Deepnote decken den gesamten Prozess der täglichen Arbeit des Datenteams ab. Die folgenden vier Szenarien werden durch empirische Fälle gestützt:

• Analyse der Zusammenarbeit von Datenteams: Mehrere Analysten teilen sich ein Notizbuch, sehen sich gegenseitig den Fortschritt und die Ergebnisse in Echtzeit an und verfolgen Änderungen anhand von Kommentaren und Versionsverlauf. Typischer Vorteilsabzug: Ein 5-köpfiges Datenteam hat zuvor .ipynb-Dateien über Slack untereinander übertragen, Konflikte manuell zusammengeführt und Änderungen per E-Mail kommuniziert – die Verwaltungskosten jeder Analyseaufgabe machten etwa 20–30 % der gesamten Arbeitsstunden aus. Die Kosten für die Zusammenarbeitsverwaltung können nach der Migration zu Deepnote auf weniger als 5 % gesenkt werden. Implementierungstipps: Das Team muss organisatorische Spezifikationen für Notebook festlegen (Ordnerstruktur, Benennungsregeln, Prozess der Anhäufung von Fähigkeiten), andernfalls kann sich die Bearbeitung in Echtzeit zu einer chaotischen Situation entwickeln, in der „jeder es ändern kann“.

• Automatisierte Berichterstattung und geplante Verteilung: Verwenden Sie den Planer, um Analysenotizbücher täglich/wöchentlich/monatlich auszuführen und Ergebnisberichte automatisch über Slack Webhook oder E-Mail zu verteilen. Typischer Umsatzabzug: Ein typisches Szenario für die Erstellung wöchentlicher Berichte. Früher haben Analysten jede Woche manuell Daten abgerufen, Diagramme erstellt, Zusammenfassungen geschrieben und E-Mails verschickt – was etwa zwei bis drei Stunden pro Woche dauerte. Mit dem Scheduler wird der doppelte Aufwand auf Null reduziert und die Kaliberkonsistenz muss nur noch monatlich überprüft werden. Implementierungstipps: Die Qualität der Planungsergebnisse hängt von der Stabilität der Upstream-Datenquelle ab. Es wird empfohlen, in jedem Abschnitt des Planungslinks Datenqualitätsprüfungen (NULL-Rate, Schwankung der Zeilennummer, Ausreißererkennung) einzurichten, um das Risiko des „automatischen Sendens falscher Daten“ zu vermeiden.

• Interaktive Daten-App: Konvertieren Sie das Analysenotizbuch in eine interaktive Webanwendung mit einem Parameterselektor. Das Geschäftsteam kann Dimensionen direkt auswählen, um die Daten anzuzeigen, ohne dass das Datenteam eingreifen muss. Typischer Umsatzabzug: Ein E-Commerce-Betriebsteam stellte zuvor 20–30 Anfragen pro Monat, um „mir zu helfen, die Daten eines bestimmten Kanals für einen bestimmten Zeitraum abzurufen“. Jede Anfrage dauerte durchschnittlich 30 Minuten. Nach der Umstellung auf die Daten-App können die Betriebsmitarbeiter die Daten selbst einsehen, wodurch das Datenteam 15 bis 20 Arbeitsstunden pro Monat einspart. Implementierungstipps: Die Wartungskosten für die Daten-App (Parameteraktualisierungen, Datenquellenänderungen, UI-Anpassungen) müssen weiterhin vom Datenteam getragen werden. Es wird empfohlen, die Daten-App nur für hochfrequente, stabile Analyseanforderungen zu erstellen.

• KI-Agent-gesteuerte Self-Service-Analyse: Geschäftspersonal stellt dem KI-Agenten Fragen in natürlicher Sprache, und der Agent ruft automatisch das Skill-Modul auf, um die Datenabfrage, Analyse und Schlussfolgerungsgenerierung abzuschließen. Typischer Vorteilsabzug: Für nicht-technische Rollen (Produktmanager, Betrieb) war es bisher notwendig, sich in die Warteschlange zu stellen und auf die Antwort des Datenteams zu warten, wobei die durchschnittliche Wartezeit 4–6 Stunden betrug. Mit AI Agent können häufige Analysefragen („Wie hoch war die Bindungsrate für neue Benutzer letzte Woche?“) innerhalb von 1–2 Minuten mit Datenquellen beantwortet werden. Implementierungstipp: Die Ausgabequalität des Agenten hängt direkt von der Verpackungsqualität des Skills ab – wenn die Grenzen der Skillmodule verschwimmen oder das Datenkaliber nicht einheitlich ist, kann der Agent Schlussfolgerungen ziehen, die oberflächlich betrachtet vernünftig, aber in der Realität falsch sind. Es wird empfohlen, in der Anfangsphase die Abfragedomäne des Agenten einzuschränken (nur auf bestimmte Datenquellen zuzugreifen) und den Schlüsselindikatoren erläuternden Text von Kaliber hinzuzufügen.

Anwendbare Personen

Das mehrstufige Funktionsdesign von Deepnote ermöglicht es, ein breites Spektrum an Benutzergruppen zu bedienen, von einzelnen Analysten bis hin zu Unternehmensdatenabteilungen:

• Datenwissenschaftler und Ingenieure für maschinelles Lernen: Geeignet für Benutzer, die Daten interaktiv erkunden, kleine und mittlere Modelle trainieren und Ergebnisse in interaktive Anwendungen liefern müssen. Die Hybridausführung von Python/R/SQL und die GPU-Unterstützung decken wesentliche Anforderungen von der Erkundung bis zur Modellierung ab. Ungeeignete Grenze: Umfangreiches verteiltes Training (Szenarien, die GPU-Cluster mit mehr als vier Karten erfordern), benutzerdefinierter CUDA-Kontext, Modellinferenzdienste mit geringer Latenz – für diese Anforderungen sollten spezielle Trainingsplattformen oder Inferenzframeworks verwendet werden.

• Datenanalysten und BI-Analysten: Die Kernbenutzergruppe von Deepnote. Durch die Kombination von SQL-Blöcken + Python-Blöcken + Visualisierungsblöcken können sie den gesamten Prozess von der Datenerfassung bis zur Berichtsbereitstellung auf einer Plattform abwickeln, ohne zwischen verschiedenen Tools wechseln zu müssen. Nicht für die Grenze geeignet: Wenn es sich um eine reine Datenvisualisierung handelt (keine Codierung erforderlich), sind die Lernkosten für Tableau oder Power BI geringer; Wenn es sich um ein BI-Szenario handelt, das einen Datenkatalog und eine Governance auf Unternehmensebene erfordert, ist eine herkömmliche BI-Plattform möglicherweise besser geeignet.

• Dateningenieure und Plattformteams: Die Notebook-API, der Scheduler und die GitHub/GitLab-Synchronisierungsfunktionen ermöglichen es Dateningenieuren, Deepnote als Entwicklungs- und Betriebsplattform für Datenpipelines zu verwenden. Die Open-Source-Toolkette (CLI, Konverter-VS-Code-Erweiterung) unterstützt Versionierungsmanagement und CI/CD-Integration. Nicht für Grenzen geeignet: Wenn das Team stark auf professionelle DAG-Orchestrierungstools wie Airflow/Dagster angewiesen ist, eignet sich der Scheduler von Deepnote derzeit besser für leichtgewichtige geplante Aufgaben und lässt sich nur schwer durch eine vollständige Orchestrierungsplattform ersetzen.

• Produktmanager und Betriebspersonal (indirekte Benutzer): Als Benutzer der Daten-App und des Dashboards können Sie Daten über die Parameterauswahl selbst anzeigen und so die Abhängigkeit vom Datenteam verringern. Voraussetzung: Das Datenteam muss im Voraus die entsprechende Daten-App oder das entsprechende Dashboard erstellen und sicherstellen, dass das Datenkaliber regelmäßig aktualisiert wird.

• Studenten und Lehrkräfte: Der kostenlose Zugriff auf Teamebene macht es zur idealen Plattform für den Unterricht in Datenwissenschaft. Die Abdeckung von 96/100 Top-Universitäten bestätigt die pädagogische Eignung. Hinweis: Die kommerzielle Nutzung von Bildungskonten ist begrenzt und Sie müssen nach Ihrem Abschluss auf einen kostenpflichtigen Plan umsteigen.

Zusammenfassung ungeeigneter Szenarien: Unabhängige Analysearbeiten, die keine Zusammenarbeit erfordern (die lokale Version von Jupyter ist leichter); groß angelegte Modellschulung auf Produktionsebene (dedizierte Schulungsplattform ist besser geeignet); vollständige Zero-Code-BI-Szenarien (Tableau/Power BI ist direkter); Datenpipelines, die eine komplexe DAG-Orchestrierung erfordern (Airflow/Dagster usw. sind professioneller).

Zusammenfassung und Ausblick von Deepnote

Deepnote entwickelt sich von einem „Cloud-Notebook-Collaboration-Tool“ zu einem „KI-nativen Datenarbeitsbereich“. Sein Kernwert liegt in der Vereinheitlichung von Datenexploration, KI-Analyse, Anwendungsbereitstellung und automatisierter Planung auf einer Plattform, wodurch Reibungsverluste beim Toolwechsel im gesamten Datenanalyseprozess vermieden werden. Der Umfang von mehr als 500.000 Benutzern, eine 96/100-Abdeckung von Top-Universitäten und Empfehlungen von Firmenkunden wie SoundCloud und MoneyLion zeigen, dass sich die Produktform in den drei Märkten Privat, Bildung und Unternehmen bewährt hat.

Aktuelle Kernvorteile: Die vierschichtige einheitliche Architektur (Notebook / AI Agent / Daten-App / Pipeline) bietet ein einzigartiges integriertes Erlebnis in der Branche; Die Open-Source-Strategie reduziert die Trial-and-Error-Kosten des Teams und schafft gleichzeitig einen wechselseitigen Kanal für lokale Entwicklung und Cloud-Zusammenarbeit. Über 100 integrierte Integrationen und SOC 2/HIPAA/GDPR-Konformität machen es zu einem grundlegenden Schwellenwert bei der Unternehmensbeschaffung; Das Kompetenzsystem von AI Agent bietet einen wiederverwendbaren Mechanismus zur Wissensakkumulation im Team.

Aktuelle große Einschränkungen: Die GPU-Funktionen sind begrenzt (nur K80), was für umfangreiches Deep-Learning-Training nicht geeignet ist; Die Team-Lösung verfügt nur über einen 30-tägigen Versionsverlauf, was für Teams, die eine langfristige Rückverfolgbarkeit von Audits benötigen, möglicherweise nicht ausreicht. Die Zuverlässigkeit des KI-Agenten hängt von der Verpackungsqualität des Skill-Moduls ab. Dies erfordert, dass das Datenteam in der Anfangsphase Zeit in das Skill-Design und das Debuggen investiert. Die Preisschwelle für die private Bereitstellung in Unternehmen ist hoch und die spezifischen Bedingungen sind nicht transparent. Die Möglichkeiten zur UI-Anpassung der Daten-App sind begrenzt und sie eignet sich nicht für kundenorientierte Anwendungsszenarien mit hoher Interaktion.

Folgebeobachtungspunkte: Ob das Skill-Ökosystem des KI-Agenten eine Community-Freigabe bilden kann (ähnlich dem MCP-Marktmodell); ob GPU-Rechenfunktionen auf modernere GPU-Modelle erweitert werden können; ob der Aufbewahrungszeitraum des Versionsverlaufs in der Team-Lösung verlängert werden kann; und ob die Größe der Open-Source-Community von 3.000 Sternen auf ein kritisches Niveau anwachsen kann, das ausreicht, um das Plug-in-Ökosystem von Drittanbietern zu unterstützen.

Bewertung des Kauf- und Einführungsrisikos: Für Einzelpersonen und Studenten ist der kostenlose Plan risikofrei und eines der benutzerfreundlichsten Datennotizbücher auf dem Markt. Für kleine Datenteams wird empfohlen, mit dem Free- oder Team-Plan zu beginnen und 1-2 hochfrequente Analyseprozesse mit geringer Komplexität (z. B. wöchentliche Berichtsautomatisierung, Kernindikator-Dashboards) als Piloten auszuwählen, um die Leistung von Deepnote in Bezug auf die Qualität der Teamzusammenarbeit und die Planungsstabilität zu überprüfen, und dann schrittweise auf weitere Szenarien auszuweiten. Für Unternehmen, die eine Unternehmensbeschaffung in Betracht ziehen, wird empfohlen, sich während der Pilotphase auf Folgendes zu konzentrieren: (1) Die Kompatibilität vorhandener .ipynb-Migrationen (komplexe benutzerdefinierte Bibliotheken und Kernelkonfigurationen werden möglicherweise nicht reibungslos migriert); (2) Die Genauigkeit und Rückrufrate von AI Agent bei realen Geschäftsabfragen – es wird empfohlen, mindestens 100 typische Geschäftsabfragen als Bewertungstestsatz vorzubereiten; (3) Die Betriebs- und Wartungskomplexität privater Bereitstellungslösungen und die Integrationskosten bestehender Infrastruktur. Auf Vertragsebene müssen der Datenspeicherort, die Verschlüsselungsrichtlinie, der Aufbewahrungszeitraum für Prüfprotokolle und die SLA-Bedingungen bestätigt werden. Achten Sie besonders darauf, ob die vom AI-Agenten aufgerufenen externen LLM-Modelldaten (GPT-5.5 / Sonnet 4.6) für das Modelltraining verwendet werden.

Verwandte Tools: hugging-face, replicate

Versionsinfo

• Deepnote-Update vom Juni 2026 ：Kontinuierlich iterativer Cloud-Dienst ohne feste Versionsnummer. （2026-06）
• Deepnote wird öffentlich eingeführt ：Einen offiziellen genauen Termin gibt es noch nicht. （~2021-09）