nao
nao Labs · Programación
nao es un agente de analítica de código abierto que permite a los equipos de datos crear un asistente consciente de su contexto y desplegarlo como interfaz de chat para el resto de la empresa. Con la CLI nao-core das forma al comportamiento del agente, lo conectas a tu almacén de datos y después cualquiera puede hacer preguntas en lenguaje natural. Vuelven gráficos, SQL y respuestas. Está pensado para equipos que quieren analítica con IA sin entregar sus datos a un proveedor de caja negra.
Acerca de nao
Qué es nao
nao es un marco para crear y desplegar agentes de analítica, hecho por nao Labs y publicado como código abierto en GitHub. La idea es sencilla. En lugar de confiar en un chatbot genérico que adivine tus cifras, le das al agente contexto real. Es decir, los esquemas de tu base de datos, metadatos, reglas de negocio, documentación y herramientas, todo guardado en una carpeta tipo sistema de archivos que tú controlas. Una vez configurado el contexto, nao despliega una interfaz de chat donde los compañeros preguntan y reciben respuestas basadas en tus datos reales.
¿Y cómo se ve eso en el día a día? Preguntas, y el agente responde con tus definiciones, no con sus propias suposiciones.
El producto apunta a dos grupos a la vez. Los equipos de datos obtienen un constructor de contexto y herramientas de fiabilidad para que el agente no se invente métricas. Los usuarios de negocio obtienen un chat en lenguaje natural que devuelve visualizaciones y un razonamiento transparente, con una forma fácil de avisar al equipo de datos cuando una respuesta está mal. Como el mismo contexto alimenta a ambos lados, todos acaban trabajando sobre una definición compartida de lo que significan las cifras.
Lo más importante que hay que entender es que nao no es un servicio alojado en el que solo inicias sesión. Se autoaloja por diseño y tú aportas tu propia clave de LLM. La instalación pasa por la línea de comandos. Alguien de tu equipo tiene que sentirse cómodo ejecutando herramientas de Python. Si no hay nadie así, la configuración guiada por el agente lo hace manejable. Aun así, es más trabajo que registrarse en un producto SaaS.
Primeros pasos
- Instala el paquete principal con
pip install nao-core(se requiere Python). - Ejecuta
nao initpara poner nombre a tu proyecto, conectar una base de datos y enlazar un repositorio. Los pasos opcionales se pueden omitir y añadir después ennao_config.yaml. - Ejecuta
nao debugpara confirmar que la instalación funciona y luegonao syncpara traer esquemas, metadatos y repositorios a tu carpeta de contexto. - Lanza
nao chatpara abrir la interfaz de chat en localhost:5005 y empezar a hacer preguntas. - Escribe pruebas en una carpeta
tests/y ejecutanao testpara comprobar la precisión del agente antes de entregárselo a los usuarios.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de nao.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Equipos de datos
- Ingenieros de datos
- Analistas de negocio
- Fundadores y equipos pequeños
Tareas
- Responder preguntas de métricas recurrentes
- Generar y explicar SQL
- Probar el rendimiento del agente con tests unitarios
- Sincronizar páginas de la wiki interna y documentación dentro del contexto para que el agente conozca tus definiciones y tu terminología interna.
Casos de uso
- Una revisión de negocio semanal donde un jefe de producto pregunta por qué bajaron los registros y recibe un gráfico junto al razonamiento que hay detrás.
- Incorporar a un analista nuevo que puede consultar el almacén desde el primer día sin aprenderse el nombre de cada tabla.
- Lanzar un chat de analítica interno para toda una empresa manteniendo los datos brutos dentro de tu propia infraestructura.
Funciones clave
Constructor de contexto abierto
nao trata el contexto de tu agente como un sistema de archivos. Añades datos, metadatos, documentación, herramientas y servidores MCP a una carpeta. Sin límite fijo. Como el contexto vive en tu repositorio, puedes versionarlo, revisar cambios y volver atrás cuando algo se rompe. Esto es lo que separa a nao de un envoltorio de chat que olvida tus definiciones.
Independiente del stack de datos
El agente funciona con cualquier almacén de datos, stack y LLM, así que no quedas atrapado en la nube de un solo proveedor. Lo apuntas a Postgres, Snowflake, BigQuery o un proyecto dbt y lee igual. Aportas tu propia clave para OpenAI, Anthropic o un modelo local. Mantienes el control sobre el coste y la residencia de los datos, que es justo la razón de autoalojarlo desde el principio.
Fiabilidad y evaluación del agente
Antes de que nadie use el agente, escribes pruebas con preguntas de ejemplo y el SQL esperado, y luego ejecutas nao test para puntuarlo. Los resultados aparecen en un panel de pruebas que puedes comparar a lo largo del tiempo, que es exactamente cómo detectas un cambio de contexto que rompe en silencio una docena de respuestas. Es la diferencia entre esperar que el agente acierte y saber con qué frecuencia falla. Esa diferencia importa.
Autoalojado y seguro
Todo se ejecuta en tu infraestructura con tus propias claves de LLM. Los esquemas sensibles y la lógica de negocio nunca salen de tu entorno. Eso importa si trabajas bajo normas de cumplimiento o simplemente no quieres que terceros vean tus datos. La contrapartida es que tú te encargas de las operaciones, incluidas actualizaciones y monitorización.
Analítica y visualización en lenguaje natural
Los usuarios de negocio escriben una pregunta en lenguaje cotidiano y obtienen una respuesta, un gráfico creado dentro del propio chat y una vista clara de cómo llegó el agente hasta ahí. Por su parte, no hace falta SQL. El chat también se conecta a través de Slack, Teams, WhatsApp, Telegram y herramientas compatibles con MCP como Claude, Codex y Cursor, así que la gente pregunta desde donde ya trabaja. Esa última parte es la que hace que la adopción cuaje.
Bucle de retroalimentación y recomendaciones
Cuando una respuesta es correcta o incorrecta, los usuarios pueden avisar directamente al equipo de datos. nao audita su propio uso y recomienda arreglos de contexto, así que el agente gana precisión cuanto más se usa. Cierra la brecha entre lo que preguntan los usuarios y lo que cubre realmente el contexto. Gratis y mejor con el tiempo.
Ventajas y desventajas
Ventajas
- Código abierto y autoalojado, así que tus datos y claves de LLM quedan bajo tu control.
- Aportar tu propio LLM significa que pagas los tokens directamente en vez de una suscripción con recargo.
- El contexto vive en un repositorio versionado que puedes probar, revisar y revertir.
- Funciona con distintos almacenes, capas semánticas y clientes MCP, así que encaja en stacks existentes.
- La evaluación integrada convierte el "confía en mí" en precisión medible.
Desventajas
- La instalación necesita la línea de comandos y Python, lo que deja fuera a los usuarios de puro no-code.
- No hay opción de nube lista para usar; el alojamiento y el mantenimiento corren de tu cuenta.
- La calidad de las respuestas depende mucho del contexto que construyas, así que un contexto pobre da resultados pobres.
- El precio se basa en tu propio consumo de LLM, que puede ser difícil de prever.
Preguntas frecuentes
nao crea un agente de analítica que responde preguntas de datos en lenguaje natural, apoyándose en el contexto que le das, como esquemas, métricas y documentación. Se despliega como una interfaz de chat que tu equipo puede usar desde la web, Slack, Teams u otras herramientas.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con nao.
Alternativas a nao
Forefront
Forefront · ProgramaciónForefront es una plataforma web para construir con IA de código abierto. Te deja ajustar los principales modelos de lenguaje de código abierto con tus propios datos, evaluar cómo rinden y ejecutarlos a través de una API o exportarlos para alojarlos tú mismo. Los desarrolladores que quieren la comodidad de una plataforma cerrada pero insisten en ser dueños de sus modelos y sus datos son el público objetivo.
Startkit
StartKit.AI · ProgramaciónStartkit es un boilerplate para crear productos de SaaS con IA y wrappers de IA. Piénsalo como un boilerplate para startups de IA con las partes aburridas ya conectadas: autenticación, pagos con Stripe y Lemon Squeezy, límites de uso, correo transaccional y un kit de inicio de API de IA que habla con OpenAI, Anthropic, Groq o Llama. Clonas el repositorio, pones tu precio y te dedicas a la parte del producto por la que la gente paga de verdad. Está hecho con Next.js sobre React y Tailwind, así que buena parte del código boilerplate ya te resulta familiar.
Testim
Tricentis · ProgramaciónTestim es una plataforma de automatización de pruebas impulsada por IA para crear y ejecutar pruebas de extremo a extremo en aplicaciones web, móviles y Salesforce. Se apoya en el aprendizaje automático para mantener las pruebas estables cuando cambia una interfaz, así que los equipos dedican menos tiempo a reparar selectores rotos. No está nada mal para una herramienta de pruebas automatizadas que puedes empezar a usar hoy mismo. Creas pruebas grabando acciones en un navegador y luego añades JavaScript cuando necesitas más control. Es una opción sólida para equipos de QA con mucho trabajo.