nao
nao Labs · Coding
nao ist ein Open-Source-Analyse-Agent, mit dem Datenteams einen kontextbewussten Assistenten bauen und ihn als Chat-Oberfläche für den Rest des Unternehmens bereitstellen. Mit der nao-core CLI formen Sie das Verhalten des Agenten, verbinden ihn mit Ihrem Warehouse, und danach stellt jeder Fragen in natürlicher Sprache. Diagramme, SQL und Antworten kommen zurück. Er ist für Teams gedacht, die KI-Analyse wollen, ohne ihre Daten einem Anbieter mit Blackbox zu überlassen.
Über nao
Was ist nao
nao ist ein Framework zum Bauen und Bereitstellen von Analyse-Agenten, entwickelt von nao Labs und als Open Source auf GitHub veröffentlicht. Die Idee ist einfach. Statt einem generischen Chatbot zu vertrauen, der Ihre Zahlen errät, geben Sie dem Agenten echten Kontext. Das heißt die Schemata Ihrer Datenbank, Metadaten, Geschäftsregeln, Dokumentation und Werkzeuge, alles in einem dateisystemähnlichen Ordner gespeichert, den Sie kontrollieren. Ist der Kontext gesetzt, stellt nao eine Chat-Oberfläche bereit, in der Kollegen Fragen stellen und Antworten erhalten, die auf Ihren tatsächlichen Daten beruhen.
Wie sieht das im Alltag aus? Sie fragen, und der Agent antwortet mit Ihren Definitionen, nicht mit eigenen Vermutungen.
Das Produkt richtet sich an zwei Gruppen zugleich. Datenteams bekommen einen Kontext-Builder und Werkzeuge für Zuverlässigkeit, damit der Agent keine Metriken erfindet. Geschäftsanwender bekommen einen Chat in natürlicher Sprache, der Visualisierungen und nachvollziehbares Denken zurückgibt, samt einfacher Möglichkeit, dem Datenteam eine falsche Antwort zu melden. Weil derselbe Kontext beide Seiten speist, arbeiten am Ende alle mit einer gemeinsamen Definition davon, was die Zahlen wirklich bedeuten.
Das Wichtigste zum Verständnis: nao ist kein gehosteter Dienst, in den Sie sich nur einloggen. Er ist von Grund auf selbstgehostet, und Sie bringen Ihren eigenen LLM-Schlüssel mit. Die Einrichtung läuft über die Kommandozeile. Jemand in Ihrem Team muss sich mit Python-Werkzeugen auskennen. Ist das niemand, macht die agentengesteuerte Einrichtung es handhabbar. Trotzdem ist es mehr Arbeit als die Anmeldung bei einem SaaS-Produkt.
Erste Schritte
- Installieren Sie das Kernpaket mit
pip install nao-core(Python ist erforderlich). - Führen Sie
nao initaus, um Ihr Projekt zu benennen, eine Datenbank zu verbinden und ein Repo zu verknüpfen. Optionale Schritte lassen sich überspringen und später innao_config.yamlergänzen. - Führen Sie
nao debugaus, um zu prüfen, ob die Einrichtung funktioniert, dannnao sync, um Schemata, Metadaten und Repos in Ihren Kontextordner zu holen. - Starten Sie
nao chat, um die Chat-Oberfläche unter localhost:5005 zu öffnen und Fragen zu stellen. - Schreiben Sie Tests in einem Ordner
tests/und führen Sienao testaus, um die Genauigkeit des Agenten zu prüfen, bevor Sie ihn Nutzern übergeben.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von nao.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Datenteams
- Data Engineers
- Business-Analysten
- Gründer und kleine Teams
Aufgaben
- Wiederkehrende Metrikfragen beantworten
- SQL erzeugen und erklären
- Die Leistung des Agenten mit Unit-Tests prüfen
- Interne Wiki-Seiten und Dokumentation in den Kontext synchronisieren, damit der Agent Ihre Definitionen und interne Terminologie kennt.
Szenarien
- Ein wöchentliches Business-Review, bei dem ein Produktmanager fragt, warum die Anmeldungen gesunken sind, und ein Diagramm plus die Begründung dazu erhält.
- Der Einstieg eines neuen Analysten, der das Warehouse am ersten Tag abfragen kann, ohne jeden Tabellennamen zu lernen.
- Ein interner Analyse-Chat für ein ganzes Unternehmen, während die Rohdaten in Ihrer eigenen Infrastruktur bleiben.
Wichtigste Funktionen
Offener Kontext-Builder
nao behandelt den Kontext Ihres Agenten wie ein Dateisystem. Sie legen Daten, Metadaten, Dokumente, Werkzeuge und MCP-Server in einen Ordner. Ohne festes Limit. Weil der Kontext in Ihrem Repo liegt, können Sie ihn versionieren, Änderungen prüfen und zurückrollen, wenn etwas kaputtgeht. Genau das unterscheidet nao von einer Chat-Hülle, die Ihre Definitionen vergisst.
Unabhängig vom Daten-Stack
Der Agent arbeitet mit jedem Data Warehouse, Stack und LLM, Sie sind also nicht an die Cloud eines Anbieters gebunden. Richten Sie ihn auf Postgres, Snowflake, BigQuery oder ein dbt-Projekt, und er liest auf dieselbe Weise. Bringen Sie Ihren eigenen Schlüssel für OpenAI, Anthropic oder ein lokales Modell mit. Sie behalten die Kontrolle über Kosten und Datenstandort, was überhaupt erst der Grund fürs Selbsthosting ist.
Zuverlässigkeit und Bewertung des Agenten
Bevor jemand den Agenten nutzt, schreiben Sie Tests mit Beispielfragen und erwartetem SQL und führen dann nao test aus, um ihn zu bewerten. Die Ergebnisse erscheinen in einem Testbereich, den Sie über die Zeit vergleichen können, und genau so erkennen Sie eine Kontextänderung, die stillschweigend ein Dutzend Antworten kaputtmacht. Das ist der Unterschied zwischen der Hoffnung, dass der Agent recht hat, und dem Wissen, wie oft er danebenliegt. Diese Lücke zählt.
Selbstgehostet und sicher
Alles läuft in Ihrer Infrastruktur mit Ihren eigenen LLM-Schlüsseln. Sensible Schemata und Geschäftslogik verlassen Ihre Umgebung nie. Das zählt, wenn Sie unter Compliance-Regeln arbeiten oder einfach nicht wollen, dass Dritte Ihre Daten sehen. Der Preis dafür: Sie kümmern sich um den Betrieb, einschließlich Updates und Monitoring.
Analyse und Visualisierung in natürlicher Sprache
Geschäftsanwender tippen eine Frage in Alltagssprache und bekommen eine Antwort, ein direkt im Chat erstelltes Diagramm und eine klare Sicht darauf, wie der Agent dahin gekommen ist. Auf ihrer Seite ist kein SQL nötig. Der Chat verbindet sich außerdem über Slack, Teams, WhatsApp, Telegram und MCP-fähige Werkzeuge wie Claude, Codex und Cursor, sodass Leute von dort fragen, wo sie ohnehin arbeiten. Dieser letzte Punkt ist es, der die Akzeptanz trägt.
Feedback-Schleife und Empfehlungen
Ist eine Antwort richtig oder falsch, können Nutzer sie direkt an das Datenteam melden. nao prüft die eigene Nutzung und empfiehlt Korrekturen am Kontext, sodass der Agent mit jeder Nutzung genauer wird. Er schließt die Lücke zwischen dem, was Nutzer fragen, und dem, was der Kontext tatsächlich abdeckt. Kostenlos, und mit der Zeit besser.
Vor- und Nachteile
Vorteile
- Open Source und selbstgehostet, Ihre Daten und LLM-Schlüssel bleiben also unter Ihrer Kontrolle.
- Bring-your-own-LLM heißt, Sie zahlen Token-Kosten direkt statt eines aufgeschlagenen Abos.
- Der Kontext liegt in einem versionierten Repo, das Sie testen, prüfen und zurückrollen können.
- Funktioniert mit verschiedenen Warehouses, semantischen Schichten und MCP-Clients und passt so in bestehende Stacks.
- Die integrierte Bewertung macht aus „vertrau mir" eine messbare Genauigkeit.
Nachteile
- Die Einrichtung braucht die Kommandozeile und Python, was reine No-Code-Nutzer ausschließt.
- Es gibt keine Plug-and-play-Cloud-Option; Hosting und Wartung übernehmen Sie selbst.
- Die Antwortqualität hängt stark vom gebauten Kontext ab, ein dünner Kontext liefert dünne Ergebnisse.
- Die Preise richten sich nach Ihrer eigenen LLM-Rechnung, was schwer vorherzusagen sein kann.
Häufige Fragen
nao baut einen Analyse-Agenten, der Datenfragen in natürlicher Sprache beantwortet, gestützt auf den von Ihnen gelieferten Kontext wie Schemata, Metriken und Dokumente. Er wird als Chat-Oberfläche bereitgestellt, die Ihr Team über Web, Slack, Teams oder andere Werkzeuge nutzen kann.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu nao.
Alternativen zu nao
Forefront
Forefront · CodingForefront ist eine Webplattform zum Bauen mit Open-Source-KI. Sie lassen sich führende Open-Source-Sprachmodelle mit eigenen Daten feintunen, ihre Leistung bewerten und sie über eine API ausführen oder exportieren, um sie selbst zu hosten. Entwickler, die den Komfort einer geschlossenen Plattform wollen, aber darauf bestehen, ihre Modelle und Daten zu besitzen, sind hier die Zielgruppe.
Startkit
StartKit.AI · CodingStartkit ist ein Boilerplate zum Bauen von KI-SaaS-Produkten und KI-Wrappern. Man kann es sich als KI-Startup-Boilerplate vorstellen, bei dem die langweiligen Teile schon verdrahtet sind: Authentifizierung, Zahlungen über Stripe und Lemon Squeezy, Nutzungslimits, transaktionale E-Mail und ein KI-API-Starter-Kit, das mit OpenAI, Anthropic, Groq oder Llama spricht. Man klont das Repository, setzt seinen Preis und kümmert sich um den Teil des Produkts, für den Menschen wirklich bezahlen. Es basiert auf Next.js über React und Tailwind, deshalb fühlt sich ein Großteil des Boilerplate-Codes schon vertraut an.
Testim
Tricentis · CodingTestim ist eine KI-gestützte Plattform für Testautomatisierung, mit der man End-to-End-Tests für Web-, Mobile- und Salesforce-Anwendungen baut und ausführt. Sie setzt auf maschinelles Lernen, um Tests stabil zu halten, wenn sich eine Oberfläche ändert, sodass Teams weniger Zeit mit der Reparatur kaputter Selektoren verbringen. Nicht schlecht für ein Tool für automatisierte Tests, das Sie heute schon nutzen können. Sie erstellen Tests, indem Sie Aktionen im Browser aufzeichnen, und fügen danach JavaScript hinzu, wenn Sie mehr Kontrolle brauchen. Für ein beschäftigtes QA-Team eine solide Wahl.