nao
nao Labs · Programação
O nao é um agente de análise de código aberto que permite às equipes de dados montar um assistente atento ao contexto e implantá-lo como interface de chat para o resto da empresa. Você molda o comportamento do agente com a CLI nao-core, conecta-o ao seu data warehouse e depois qualquer pessoa faz perguntas em linguagem natural. Gráficos, SQL e respostas voltam. Ele foi feito para equipes que querem análise com IA sem entregar os dados a um fornecedor de caixa-preta.
Sobre nao
O que é o nao
O nao é um framework para montar e implantar agentes de análise, criado pela nao Labs e publicado como código aberto no GitHub. A ideia é simples. Em vez de confiar num chatbot genérico que adivinha os seus números, você dá contexto real ao agente. Ou seja, os esquemas do seu banco de dados, metadados, regras de negócio, documentos e ferramentas, tudo guardado numa pasta parecida com um sistema de arquivos que você controla. Com o contexto pronto, o nao publica uma interface de chat onde os colegas perguntam e recebem respostas baseadas nos seus dados reais.
E como isso aparece no dia a dia? Você pergunta, e o agente responde com as suas definições, não com suposições próprias.
O produto atende dois grupos ao mesmo tempo. As equipes de dados ganham um construtor de contexto e ferramentas de confiabilidade para o agente não inventar métricas. Os usuários de negócio ganham um chat em linguagem natural que devolve visualizações e raciocínio transparente, com um jeito fácil de sinalizar ao time de dados quando uma resposta estiver errada. Como o mesmo contexto alimenta os dois lados, todos acabam trabalhando sobre uma definição compartilhada do que os números realmente significam.
O ponto mais importante a entender é que o nao não é um serviço hospedado no qual você apenas faz login. Ele é auto-hospedado por design, e você traz a sua própria chave de LLM. A instalação passa pela linha de comando. Alguém da sua equipe precisa se sentir à vontade para rodar ferramentas em Python. Se ninguém se sentir, a configuração guiada pelo agente deixa a tarefa administrável. Ainda assim, dá mais trabalho do que assinar um produto SaaS.
Primeiros passos
- Instale o pacote principal com
pip install nao-core(o Python é obrigatório). - Rode
nao initpara dar nome ao projeto, conectar um banco de dados e vincular um repositório. Os passos opcionais podem ser ignorados e adicionados depois emnao_config.yaml. - Rode
nao debugpara confirmar que a instalação funciona e depoisnao syncpara trazer esquemas, metadados e repositórios para a sua pasta de contexto. - Lance
nao chatpara abrir a interface de chat em localhost:5005 e começar a fazer perguntas. - Escreva testes numa pasta
tests/e rodenao testpara conferir a precisão do agente antes de entregá-lo aos usuários.
Informações do produto
Uma visão rápida dos preços, das plataformas compatíveis e do desempenho de nao.
Ideal para
Os usuários, tarefas e cenários em que esta ferramenta se encaixa melhor.
Usuários
- Equipes de dados
- Engenheiros de dados
- Analistas de negócio
- Fundadores e equipes pequenas
Tarefas
- Responder perguntas recorrentes de métricas
- Gerar e explicar SQL
- Testar o desempenho do agente com testes unitários
- Sincronizar páginas da wiki interna e documentos para o contexto, para o agente conhecer as suas definições e a sua terminologia interna.
Cenários
- Uma revisão de negócio semanal em que um gerente de produto pergunta por que os cadastros caíram e recebe um gráfico mais o raciocínio por trás dele.
- Integrar um analista novo que consegue consultar o data warehouse logo no primeiro dia sem decorar o nome de cada tabela.
- Lançar um chat de análise interno para a empresa inteira mantendo os dados brutos dentro da sua própria infraestrutura.
Principais recursos
Construtor de contexto aberto
O nao trata o contexto do seu agente como um sistema de arquivos. Você adiciona dados, metadados, documentos, ferramentas e servidores MCP numa pasta. Sem limite fixo. Como o contexto fica no seu repositório, você pode versioná-lo, revisar mudanças e voltar atrás quando algo quebra. É isso que separa o nao de um invólucro de chat que esquece as suas definições.
Independente do stack de dados
O agente funciona com qualquer data warehouse, stack e LLM, então você não fica preso à nuvem de um único fornecedor. Aponte-o para Postgres, Snowflake, BigQuery ou um projeto dbt e ele lê da mesma forma. Traga a sua própria chave para OpenAI, Anthropic ou um modelo local. Você mantém o controle sobre custo e residência de dados, que é justamente o motivo de auto-hospedar desde o início.
Confiabilidade e avaliação do agente
Antes de qualquer pessoa usar o agente, você escreve testes com perguntas de exemplo e o SQL esperado, e depois roda nao test para pontuá-lo. Os resultados aparecem num painel de testes que você pode comparar ao longo do tempo, que é exatamente como você pega uma mudança de contexto que quebra em silêncio uma dúzia de respostas. É a diferença entre esperar que o agente esteja certo e saber com que frequência ele erra. Essa diferença importa.
Auto-hospedado e seguro
Tudo roda na sua infraestrutura com as suas próprias chaves de LLM. Esquemas sensíveis e lógica de negócio nunca saem do seu ambiente. Isso importa se você trabalha sob regras de conformidade ou apenas não quer terceiros vendo os seus dados. A contrapartida é que você cuida das operações, incluindo atualizações e monitoramento.
Análise e visualização em linguagem natural
Os usuários de negócio digitam uma pergunta em linguagem comum e recebem uma resposta, um gráfico criado dentro do próprio chat e uma visão clara de como o agente chegou até ali. Da parte deles, não é preciso SQL. O chat também se conecta pelo Slack, Teams, WhatsApp, Telegram e ferramentas compatíveis com MCP como Claude, Codex e Cursor, então as pessoas perguntam de onde já trabalham. Essa última parte é o que faz a adoção pegar.
Ciclo de feedback e recomendações
Quando uma resposta está certa ou errada, os usuários podem sinalizar direto para o time de dados. O nao audita o próprio uso e recomenda ajustes de contexto, então o agente fica mais preciso quanto mais é usado. Ele fecha a lacuna entre o que os usuários perguntam e o que o contexto realmente cobre. Grátis, e melhor com o tempo.
Prós e contras
Prós
- Código aberto e auto-hospedado, então os seus dados e chaves de LLM ficam sob o seu controle.
- Trazer o seu próprio LLM significa pagar os tokens diretamente em vez de uma assinatura com sobrepreço.
- O contexto fica num repositório versionado que você pode testar, revisar e reverter.
- Funciona com vários data warehouses, camadas semânticas e clientes MCP, então encaixa em stacks existentes.
- A avaliação integrada transforma o "confie em mim" em precisão mensurável.
Contras
- A instalação precisa da linha de comando e de Python, o que deixa de fora os usuários de puro no-code.
- Não há opção de nuvem pronta para usar; a hospedagem e a manutenção ficam por sua conta.
- A qualidade das respostas depende muito do contexto que você constrói, então um contexto raso dá resultados rasos.
- O preço é baseado no uso da sua própria conta de LLM, o que pode ser difícil de prever.
Perguntas frequentes
O nao monta um agente de análise que responde perguntas de dados em linguagem natural, apoiado no contexto que você fornece, como esquemas, métricas e documentos. Ele é implantado como uma interface de chat que a sua equipe pode usar pela web, Slack, Teams ou outras ferramentas.
Conteúdo relacionado
Explore ferramentas, skills e artigos relacionados a nao.
Alternativas a nao
Forefront
Forefront · ProgramaçãoO Forefront é uma plataforma web para construir com IA de código aberto. Você ajusta os principais modelos de linguagem de código aberto com seus próprios dados, avalia o desempenho deles e os roda por uma API ou os exporta para hospedar por conta própria. Desenvolvedores que querem a conveniência de uma plataforma fechada, mas fazem questão de ser donos dos modelos e dos dados, são o público-alvo aqui.
Startkit
StartKit.AI · ProgramaçãoStartkit é um boilerplate para criar produtos de SaaS com IA e wrappers de IA. Pense nele como um boilerplate para startups de IA com as partes chatas já conectadas: autenticação, pagamentos com Stripe e Lemon Squeezy, limites de uso, e-mail transacional e um kit inicial de API de IA que conversa com OpenAI, Anthropic, Groq ou Llama. Você clona o repositório, define seu preço e começa pela parte do produto que as pessoas realmente pagam. Ele é feito em Next.js sobre React e Tailwind, então boa parte do código boilerplate já parece familiar.
Testim
Tricentis · ProgramaçãoO Testim é uma plataforma de automação de testes com IA para criar e executar testes de ponta a ponta em aplicações web, mobile e Salesforce. Ele se apoia no aprendizado de máquina para manter os testes estáveis quando uma interface muda, então as equipes gastam menos tempo consertando seletores quebrados. Nada mal para uma ferramenta de testes automatizados que você pode começar a usar hoje. Você cria testes gravando ações no navegador e depois adiciona JavaScript quando precisa de mais controle. É uma escolha sólida para equipes de QA ocupadas.