nao
nao Labs · 코딩
nao는 오픈소스 분석 에이전트로, 데이터 팀이 맥락을 이해하는 어시스턴트를 만들고 회사 전체를 위한 채팅 인터페이스로 배포할 수 있게 한다. nao-core CLI로 에이전트의 동작을 다듬고, 웨어하우스에 연결하면, 이후에는 누구나 자연어로 질문할 수 있다. 차트, SQL, 답변이 돌아온다. 데이터를 블랙박스 업체에 넘기고 싶지 않은 팀을 위해 만들었다.
nao 소개
nao란 무엇인가
nao는 분석 에이전트를 만들고 배포하는 프레임워크로, nao Labs가 개발해 GitHub에 오픈소스로 공개했다. 발상은 단순하다. 숫자를 추측하는 범용 챗봇을 믿는 대신, 에이전트에 진짜 맥락을 준다. 즉 데이터베이스 스키마, 메타데이터, 업무 규칙, 문서, 도구를 직접 관리하는 파일 시스템 형태의 폴더에 담는다. 맥락이 준비되면 nao는 채팅 UI를 배포하고, 동료가 질문하면 실제 데이터에 근거한 답을 받는다.
일상에서는 어떤 모습일까. 질문하면 에이전트는 자신의 추측이 아니라 당신의 정의로 답한다.
이 제품은 두 집단을 동시에 겨냥한다. 데이터 팀은 맥락 빌더와 신뢰성 도구를 얻어 에이전트가 지표를 지어내지 않게 한다. 비즈니스 사용자는 자연어 채팅을 얻어 시각화와 투명한 추론 과정을 받고, 잘못된 답을 데이터 팀에 쉽게 알릴 수 있다. 같은 맥락이 양쪽을 움직이므로, 결국 모두가 숫자가 실제로 무엇을 뜻하는지에 대한 하나의 정의로 일한다.
가장 중요한 점은 nao가 로그인만 하면 되는 호스팅 서비스가 아니라는 것이다. 설계부터 자체 호스팅이고, LLM 키는 직접 가져온다. 설치에는 명령줄이 쓰인다. 팀 누군가는 Python 도구를 다룰 줄 알아야 한다. 그런 사람이 없으면 에이전트가 이끄는 설치가 일을 감당할 만하게 만들어 준다. 그래도 SaaS 제품에 가입하는 것보다 손이 더 간다.
시작하기
pip install nao-core로 핵심 패키지를 설치한다(Python이 필요하다).nao init을 실행해 프로젝트 이름을 정하고 데이터베이스를 연결하며 repo를 링크한다. 선택 단계는 건너뛰고 나중에nao_config.yaml에서 추가할 수 있다.nao debug를 실행해 설정이 작동하는지 확인하고,nao sync로 스키마, 메타데이터, repo를 맥락 폴더로 가져온다.nao chat을 실행해 localhost:5005에서 채팅 UI를 열고 질문을 시작한다.tests/폴더에 테스트를 작성하고nao test를 실행해 사용자에게 넘기기 전에 에이전트 정확도를 확인한다.
제품 정보
nao의 요금, 지원 플랫폼, 성능을 한눈에 확인해 보세요.
추천 대상
이 도구가 가장 잘 맞는 사용자, 작업, 상황입니다.
사용자
- 데이터 팀
- 데이터 엔지니어
- 비즈니스 분석가
- 창업자와 소규모 팀
작업
- 반복되는 지표 질문에 답하기
- SQL 생성과 설명
- 단위 테스트로 에이전트 성능 점검
- 사내 위키 페이지와 문서를 맥락에 동기화해 에이전트가 정의와 사내 용어를 알게 한다.
활용 상황
- 주간 비즈니스 리뷰에서 PM이 가입 수가 왜 줄었는지 묻고, 차트와 그 근거를 함께 받는다.
- 새 분석가가 입사 첫날부터 모든 테이블 이름을 외우지 않고 웨어하우스를 조회한다.
- 원본 데이터를 자체 인프라에 두면서 회사 전체에 사내 분석 채팅을 배포한다.
주요 기능
열린 맥락 빌더
nao는 에이전트의 맥락을 파일 시스템처럼 다룬다. 데이터, 메타데이터, 문서, 도구, MCP 서버를 폴더에 넣는다. 고정된 한도는 없다. 맥락이 내 repo에 있으므로 버전 관리하고 변경을 검토하며 문제가 생기면 되돌릴 수 있다. 이것이 당신의 정의를 잊는 채팅 래퍼와 nao를 가르는 지점이다.
데이터 스택 비의존
에이전트는 어떤 데이터 웨어하우스, 스택, LLM과도 작동하므로 한 업체의 클라우드에 묶이지 않는다. Postgres, Snowflake, BigQuery, dbt 프로젝트 어디를 가리켜도 같은 방식으로 읽는다. OpenAI, Anthropic, 로컬 모델의 키는 직접 가져온다. 비용과 데이터 위치를 직접 쥔다. 애초에 자체 호스팅을 택한 이유가 바로 그것이다.
에이전트 신뢰성과 평가
누군가 쓰기 전에 샘플 질문과 기대 SQL로 테스트를 작성하고 nao test 로 점수를 매긴다. 결과는 테스트 패널에 나타나 시간에 따라 비교할 수 있다. 맥락 변경이 조용히 열몇 개 답변을 망가뜨렸을 때 이를 잡아내는 방법이 바로 이것이다. 에이전트가 맞기를 바라는 것과 얼마나 자주 틀리는지 아는 것의 차이다. 그 차이는 중요하다.
자체 호스팅과 보안
모든 것이 자체 인프라에서, 자신의 LLM 키로 돌아간다. 민감한 스키마와 비즈니스 로직은 환경을 벗어나지 않는다. 규제 준수 아래 일하거나 제3자에게 데이터를 보여 주고 싶지 않을 때 중요하다. 대가는 업그레이드와 모니터링을 포함한 운영을 직접 맡는다는 점이다.
자연어 분석과 시각화
비즈니스 사용자는 일상어로 질문을 입력하고 답변, 채팅 안에서 바로 만들어지는 차트, 에이전트가 어떻게 도달했는지에 대한 명확한 표시를 받는다. 그쪽에는 SQL이 필요 없다. 채팅은 Slack, Teams, WhatsApp, Telegram, 그리고 Claude, Codex, Cursor 같은 MCP 지원 도구로도 연결되므로 사람들은 이미 일하는 곳에서 질문한다. 마지막 부분이 도입을 정착시키는 열쇠다.
피드백 루프와 제안
답이 맞거나 틀리면 사용자는 데이터 팀에 바로 알릴 수 있다. nao는 자신의 사용 기록을 점검하고 맥락 수정을 제안하므로, 쓸수록 정확해진다. 사용자가 묻는 것과 맥락이 실제로 포괄하는 범위 사이의 간극을 좁힌다. 무료이며, 시간이 갈수록 나아진다.
장단점
장점
- 오픈소스에 자체 호스팅이라 데이터와 LLM 키가 내 통제 아래 남는다.
- 직접 LLM을 가져오는 방식이라 웃돈 붙은 구독 대신 토큰 값을 바로 낸다.
- 맥락이 버전 관리되는 repo에 있어 테스트하고 검토하며 되돌릴 수 있다.
- 여러 웨어하우스, 시맨틱 레이어, MCP 클라이언트에서 작동해 기존 스택에 맞는다.
- 내장 평가가 "날 믿어"를 측정 가능한 정확도로 바꾼다.
단점
- 설치에 명령줄과 Python이 필요해 순수 노코드 사용자는 배제된다.
- 바로 쓸 수 있는 클라우드 옵션이 없다. 호스팅과 유지보수를 직접 한다.
- 답변 품질이 만든 맥락에 크게 좌우돼, 얇은 맥락은 얇은 결과를 낳는다.
- 요금이 자신의 LLM 청구서에 따른 종량제라 예측하기 어려울 수 있다.
자주 묻는 질문
nao는 스키마, 지표, 문서 등 당신이 제공하는 맥락에 근거해 자연어로 데이터 질문에 답하는 분석 에이전트를 만든다. 웹, Slack, Teams 등에서 팀이 쓸 수 있는 채팅 인터페이스로 배포된다.
관련 콘텐츠
nao와 관련된 도구, 스킬, 아티클을 살펴보세요.
nao 대안
Forefront
Forefront · 코딩Forefront는 오픈소스 AI로 무언가를 만드는 웹 플랫폼이다. 대표적인 오픈소스 언어 모델을 자신의 데이터로 미세 조정하고, 성능을 평가하고, API로 실행하거나 내보내 직접 호스팅할 수 있다. 폐쇄형 플랫폼의 편의를 원하면서도 모델과 데이터의 소유권은 놓지 않으려는 개발자가 대상이다.
Startkit
StartKit.AI · 코딩Startkit은 AI SaaS와 AI 래퍼 제품을 만들기 위한 보일러플레이트다. 지루한 부분을 미리 연결해 둔 AI 스타트업 보일러플레이트라고 생각하면 된다. 인증, Stripe와 Lemon Squeezy 결제, 사용량 제한, 트랜잭션 이메일, 그리고 OpenAI, Anthropic, Groq, Llama와 통신하는 AI API 스타터 키트가 포함된다. 저장소를 복제하고 가격을 정한 뒤 사용자가 실제로 돈을 내는 부분에 착수하면 된다. React와 Tailwind 위의 Next.js로 만들어졌기 때문에 보일러플레이트 코드의 상당 부분이 이미 익숙하게 느껴진다.
Testim
Tricentis · 코딩Testim은 웹, 모바일, Salesforce 애플리케이션 전반에 걸쳐 엔드투엔드 테스트를 만들고 실행하는 AI 기반 테스트 자동화 플랫폼이다. 머신러닝에 기대어 인터페이스가 바뀌어도 테스트를 안정적으로 유지하므로, 팀은 깨진 셀렉터를 고치는 데 쓰는 시간을 줄인다. 오늘부터 쓸 수 있는 자동화 테스트 도구치고 나쁘지 않다. 브라우저에서 동작을 녹화해 테스트를 만들고, 더 세밀한 제어가 필요하면 JavaScript를 더한다. 바쁜 QA 팀에게 탄탄한 선택이다.