nao
nao Labs · Programmation
nao est un agent d'analyse open source qui permet aux équipes data de bâtir un assistant conscient du contexte et de le déployer comme interface de chat pour le reste de l'entreprise. Vous façonnez le comportement de l'agent avec la CLI nao-core, vous le connectez à votre entrepôt de données, puis n'importe qui pose des questions en langage naturel. Graphiques, SQL et réponses reviennent. Il est conçu pour les équipes qui veulent de l'analyse IA sans confier leurs données à un fournisseur opaque.
À propos de nao
Qu'est-ce que nao
nao est un cadre pour bâtir et déployer des agents d'analyse, créé par nao Labs et publié en open source sur GitHub. L'idée est simple. Au lieu de faire confiance à un chatbot générique qui devine vos chiffres, vous donnez un vrai contexte à l'agent. C'est-à-dire les schémas de votre base de données, les métadonnées, les règles métier, la documentation et les outils, le tout rangé dans un dossier comparable à un système de fichiers que vous contrôlez. Une fois le contexte en place, nao déploie une interface de chat où les collègues posent des questions et reçoivent des réponses ancrées dans vos données réelles.
À quoi cela ressemble au quotidien ? Vous posez une question, et l'agent répond avec vos définitions, pas avec ses propres suppositions.
Le produit vise deux publics à la fois. Les équipes data obtiennent un constructeur de contexte et des outils de fiabilité pour que l'agent n'invente pas de métriques. Les utilisateurs métier obtiennent un chat en langage naturel qui renvoie des visualisations et un raisonnement transparent, avec un moyen simple de signaler une mauvaise réponse à l'équipe data. Comme le même contexte alimente les deux côtés, tout le monde finit par travailler sur une définition partagée de ce que les chiffres signifient vraiment.
Le point le plus important à comprendre, c'est que nao n'est pas un service hébergé où l'on se contente de se connecter. Il s'auto-héberge par conception, et vous apportez votre propre clé LLM. L'installation passe par la ligne de commande. Quelqu'un dans votre équipe doit être à l'aise avec les outils Python. Si personne ne l'est, la configuration guidée par l'agent rend la chose gérable. Cela reste tout de même plus de travail qu'un abonnement à un produit SaaS.
Pour commencer
- Installez le paquet principal avec
pip install nao-core(Python est requis). - Lancez
nao initpour nommer votre projet, connecter une base de données et lier un dépôt. Les étapes facultatives peuvent être ignorées et ajoutées plus tard dansnao_config.yaml. - Lancez
nao debugpour confirmer que l'installation fonctionne, puisnao syncpour récupérer schémas, métadonnées et dépôts dans votre dossier de contexte. - Lancez
nao chatpour ouvrir l'interface de chat sur localhost:5005 et commencer à poser des questions. - Écrivez des tests dans un dossier
tests/et lanceznao testpour vérifier la précision de l'agent avant de le confier aux utilisateurs.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de nao.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Équipes data
- Ingénieurs data
- Analystes métier
- Fondateurs et petites équipes
Tâches
- Répondre aux questions de métriques récurrentes
- Générer et expliquer le SQL
- Tester les performances de l'agent par tests unitaires
- Synchroniser les pages du wiki interne et la documentation dans le contexte pour que l'agent connaisse vos définitions et votre terminologie interne.
Cas d'usage
- Une revue métier hebdomadaire où un chef de produit demande pourquoi les inscriptions ont chuté et reçoit un graphique plus le raisonnement qui l'accompagne.
- L'intégration d'un nouvel analyste qui peut interroger l'entrepôt dès le premier jour sans apprendre le nom de chaque table.
- Le déploiement d'un chat d'analyse interne pour toute une entreprise tout en gardant les données brutes dans votre propre infrastructure.
Fonctionnalités clés
Constructeur de contexte ouvert
nao traite le contexte de votre agent comme un système de fichiers. Vous ajoutez données, métadonnées, documentation, outils et serveurs MCP dans un dossier. Sans limite fixe. Comme le contexte vit dans votre dépôt, vous pouvez le versionner, revoir les changements et revenir en arrière quand quelque chose casse. C'est ce qui distingue nao d'une enveloppe de chat qui oublie vos définitions.
Indépendant de la stack de données
L'agent fonctionne avec n'importe quel entrepôt de données, stack et LLM, donc vous n'êtes pas enfermé dans le cloud d'un seul fournisseur. Pointez-le vers Postgres, Snowflake, BigQuery ou un projet dbt et il lit de la même façon. Apportez votre propre clé pour OpenAI, Anthropic ou un modèle local. Vous gardez la main sur le coût et la résidence des données, ce qui est justement la raison de s'auto-héberger au départ.
Fiabilité et évaluation de l'agent
Avant que quiconque utilise l'agent, vous écrivez des tests avec des questions types et le SQL attendu, puis vous lancez nao test pour le noter. Les résultats apparaissent dans un panneau de tests que vous pouvez comparer dans le temps, ce qui est exactement la façon de repérer un changement de contexte qui casse en silence une douzaine de réponses. C'est la différence entre espérer que l'agent a raison et savoir à quelle fréquence il se trompe. Cet écart compte.
Auto-hébergé et sécurisé
Tout tourne dans votre infrastructure avec vos propres clés LLM. Les schémas sensibles et la logique métier ne quittent jamais votre environnement. Cela compte si vous travaillez sous des règles de conformité ou si vous ne voulez simplement pas que des tiers voient vos données. La contrepartie, c'est que vous assurez l'exploitation, y compris les mises à jour et la surveillance.
Analyse et visualisation en langage naturel
Les utilisateurs métier tapent une question en langage courant et obtiennent une réponse, un graphique créé directement dans le chat et une vue claire de la façon dont l'agent y est parvenu. De leur côté, aucun SQL n'est nécessaire. Le chat se connecte aussi via Slack, Teams, WhatsApp, Telegram et des outils compatibles MCP comme Claude, Codex et Cursor, donc les gens posent leurs questions depuis là où ils travaillent déjà. C'est cette dernière partie qui fait tenir l'adoption.
Boucle de retour et recommandations
Quand une réponse est juste ou fausse, les utilisateurs peuvent la signaler directement à l'équipe data. nao audite son propre usage et recommande des corrections de contexte, donc l'agent gagne en précision à mesure qu'on l'utilise. Il comble l'écart entre ce que les utilisateurs demandent et ce que le contexte couvre vraiment. Gratuit, et meilleur avec le temps.
Avantages et inconvénients
Avantages
- Open source et auto-hébergé, donc vos données et vos clés LLM restent sous votre contrôle.
- Le choix de votre propre LLM signifie que vous payez les tokens directement au lieu d'un abonnement majoré.
- Le contexte vit dans un dépôt versionné que vous pouvez tester, revoir et restaurer.
- Fonctionne avec différents entrepôts, couches sémantiques et clients MCP, donc il s'insère dans les stacks existantes.
- L'évaluation intégrée transforme le « faites-moi confiance » en précision mesurable.
Inconvénients
- L'installation exige la ligne de commande et Python, ce qui exclut les utilisateurs en pur no-code.
- Aucune option cloud prête à l'emploi ; l'hébergement et la maintenance sont à votre charge.
- La qualité des réponses dépend beaucoup du contexte que vous bâtissez, donc un contexte mince donne des résultats minces.
- Le tarif repose sur votre propre facture LLM, ce qui peut être difficile à prévoir.
Questions fréquentes
nao bâtit un agent d'analyse qui répond aux questions de données en langage naturel, en s'appuyant sur le contexte que vous fournissez, comme les schémas, les métriques et la documentation. Il se déploie comme une interface de chat que votre équipe peut utiliser depuis le web, Slack, Teams ou d'autres outils.
Contenus associés
Découvrez des outils, des compétences et des articles liés à nao.
Alternatives à nao
Forefront
Forefront · ProgrammationForefront est une plateforme web pour construire avec de l'IA open source. Elle vous laisse affiner les principaux modèles de langage open source sur vos propres données, évaluer leurs performances et les exécuter via une API ou les exporter pour les héberger vous-même. Les développeurs qui veulent le confort d'une plateforme fermée mais tiennent à rester propriétaires de leurs modèles et de leurs données sont le public visé ici.
Startkit
StartKit.AI · ProgrammationStartkit est un boilerplate pour créer des produits SaaS d'IA et des wrappers d'IA. Voyez-le comme un boilerplate de startup IA avec les parties ennuyeuses déjà branchées : authentification, paiements Stripe et Lemon Squeezy, limites d'usage, e-mail transactionnel et un kit de démarrage d'API IA qui parle à OpenAI, Anthropic, Groq ou Llama. Vous clonez le dépôt, fixez votre prix et attaquez la partie du produit pour laquelle les gens paient vraiment. Il repose sur Next.js au-dessus de React et Tailwind, donc une bonne partie du code boilerplate vous semble déjà familière.
Testim
Tricentis · ProgrammationTestim est une plateforme d'automatisation des tests dopée à l'IA, qui sert à créer et exécuter des tests de bout en bout sur des applications web, mobiles et Salesforce. Elle s'appuie sur l'apprentissage automatique pour garder les tests stables quand une interface change, alors les équipes passent moins de temps à réparer des sélecteurs cassés. Pas mal pour un outil de tests automatisés que vous pouvez utiliser dès aujourd'hui. Vous créez des tests en enregistrant des actions dans un navigateur, puis vous ajoutez du JavaScript quand vous avez besoin de plus de contrôle. C'est un choix solide pour une équipe QA bien occupée.