nao
nao Labs · 程式設計
nao 是開源分析代理，讓資料團隊打造一個理解脈絡的助理，並把它部署成聊天介面，供全公司使用。你用 nao-core CLI 塑造代理的行為，把它接到你的資料倉儲，接著任何人都能用自然語言提問。圖表、SQL 和答案會回到眼前。它是為想要 AI 分析、卻不想把資料交給黑箱廠商的團隊而打造。
關於 nao
nao 是什麼
nao 是一套用來打造與部署分析代理的框架，由 nao Labs 開發，並在 GitHub 上以開源形式發佈。概念很簡單。與其信任一個通用聊天機器人去猜你的數字，不如給代理真正的脈絡。也就是你的資料庫結構、中繼資料、業務規則、文件和工具，全部存放在一個你能掌控、類似檔案系統的資料夾裡。脈絡設定好之後，nao 會部署聊天介面，同事提問後得到的答案會根據你的真實資料。
那日常運作起來是什麼樣子？你提問，代理用你的定義回答，而不是它自己的猜測。
這個產品同時鎖定兩種人。資料團隊得到脈絡建構工具與可靠性機制，讓代理不會自己發明指標。業務使用者得到自然語言聊天，回傳視覺化圖表和透明的推理過程，還能輕鬆把錯誤答案回報給資料團隊。因為同一份脈絡同時驅動兩邊，最後所有人都用同一套定義來理解數字真正的意思。
最該理解的一點是，nao 不是那種登入就能用的託管服務。它從設計上就是自架，而且你要自備 LLM 金鑰。安裝過程會用到命令列。團隊裡得有人熟悉執行 Python 工具。如果沒這樣的人，代理引導式安裝能讓這件事變得可控。話說回來，它還是比註冊一個 SaaS 產品要費工。
開始使用
- 用
pip install nao-core安裝核心套件（需要 Python）。 - 執行
nao init來命名專案、連接資料庫並連結 repo。選用步驟可以跳過，之後再從nao_config.yaml補上。 - 執行
nao debug確認設定可用，再執行nao sync把結構、中繼資料和 repo 拉進你的脈絡資料夾。 - 啟動
nao chat，在 localhost:5005 開啟聊天介面，開始提問。 - 在
tests/資料夾裡寫測試，執行nao test檢查代理準確度，再交給使用者。
產品資訊
快速了解 nao 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 資料團隊：建立並版本控管一個分析代理，在脈絡 repo 設好後，回答業務問題時不必每次臨時寫 SQL。
- 資料工程師：連接 dbt MetricFlow 模型與資料倉儲，讓代理使用受治理的指標定義，而不是自行臨場發揮。
- 業務分析師：從 Slack、Teams 或網頁介面用自然語言提問，就能拿到圖表，不必等資料團隊。
- 創辦人與小型團隊：自行架設整套系統，只付 LLM token 費用，沒有按人頭計的訂閱。
任務
- 回答反覆出現的指標問題：代理重複使用你的語意層，讓營收、流失和轉換數字保持一致。
- 產生並解釋 SQL：使用者看得到每個答案背後的查詢和來源，讓錯誤結果容易察覺。
- 用單元測試檢驗代理表現：為範例問題定義預期的 SQL，並在每次部署前追蹤準確度。
- 把內部 wiki 頁面與文件同步進脈絡，讓代理熟悉你的定義和內部術語。
情境
- 每週業務檢視會議上，PM 問為什麼註冊數下滑，並拿到一張圖表加上背後的推理。
- 新分析師到職，第一天就能查詢資料倉儲，不必先背下每張表的名字。
- 為整間公司推出內部分析聊天，同時把原始資料留在自家基礎架構內。
主要功能
開放式脈絡建構工具
nao 把代理的脈絡當成檔案系統來處理。你把資料、中繼資料、文件、工具和 MCP 伺服器加進一個資料夾。沒有固定上限。因為脈絡存在你的 repo 裡，你可以版控、檢視變更，出狀況時回滾。這正是 nao 和一個會忘掉你定義的聊天外殼之間的差別。
不拘資料堆疊
這個代理能搭配任何資料倉儲、堆疊和 LLM，所以你不用被綁在單一廠商的雲端。把它指向 Postgres、Snowflake、BigQuery 或一個 dbt 專案，讀取方式都一樣。自備金鑰就能接 OpenAI、Anthropic 或本機模型。成本與資料存放地點都由你掌握，這本來就是自架的首要理由。
代理可靠性與評估
在任何人使用代理之前，你先用範例問題和預期 SQL 寫測試，然後執行 nao test 為它評分。結果會出現在測試面板裡，讓你隨時間比較，這正是你揪出某次脈絡變更悄悄弄壞一打答案的方法。這是「希望代理是對的」和「知道它多常出錯」之間的差別。這個差距很要緊。
自架且安全
一切都在你的基礎架構上、用你自己的 LLM 金鑰執行。敏感結構與業務邏輯永遠不離開你的環境。如果你受法規遵循規範，或單純不想讓第三方看到你的資料，這點很要緊。代價是維運得自己扛，包括升級與監控。
自然語言分析與視覺化
業務使用者用日常語言打一句問題，就能拿到答案、直接在聊天裡生成的圖表，以及代理如何得出結論的清楚說明。他們那端不需要 SQL。聊天也能透過 Slack、Teams、WhatsApp、Telegram，以及像 Claude、Codex、Cursor 這類支援 MCP 的工具連接，所以大家從自己平常工作的地方提問就行。最後這點，正是讓採用真正扎根的關鍵。
回饋循環與建議
當答案對或錯，使用者可以直接向資料團隊回報。nao 會審視自身使用情形並建議脈絡修正，所以代理用得越多就越準。它縮小了使用者所問和脈絡實際涵蓋範圍之間的落差。免費，而且會愈用愈好。
優缺點
優點
- 開源且自架，你的資料和 LLM 金鑰都留在自己掌控之下。
- 自備 LLM 代表你直接付 token 費用，而不是被加價的訂閱。
- 脈絡存在可版控的 repo 裡，你能測試、檢視並回滾。
- 橫跨各種資料倉儲、語意層和 MCP 用戶端，能融入既有堆疊。
- 內建評估把「相信我」變成可衡量的準確度。
缺點
- 安裝需要命令列和 Python，把純 no-code 使用者排除在外。
- 沒有隨插即用的雲端選項；代管與維護都得自己來。
- 答案品質高度取決於你建立的脈絡，脈絡單薄結果就單薄。
- 價格取決於你自己的 LLM 帳單，可能不好預測。
常見問題
nao 打造一個分析代理，用自然語言回答資料問題，依據你提供的脈絡，例如結構、指標和文件。它會部署成聊天介面，你的團隊可以從網頁、Slack、Teams 或其他工具使用。
相關內容
探索與 nao 相關的工具、技能與文章。
nao 替代方案
Forefront
Forefront · 程式設計Forefront 是一個用來打造開源 AI 的網頁平台。你可以用自己的資料微調主流的開源語言模型、評估它們的表現，再透過 API 執行，或匯出後自行架設。想要封閉式平台的便利、卻堅持要自己擁有模型與資料的開發者，就是這裡的目標客群。
Startkit
StartKit.AI · 程式設計Startkit 是一套用來打造 AI SaaS 與 AI 包裝產品的樣板。可以把它想成一個 AI 新創樣板，把枯燥的部分都先接好了：驗證、Stripe 與 Lemon Squeezy 付款、用量限制、交易型電子郵件，以及一套能與 OpenAI、Anthropic、Groq 或 Llama 溝通的 AI API 啟動套件。你複製儲存庫、設定價格，然後專心在產品中使用者真正願意付費的部分。它建構於 React 與 Tailwind 之上的 Next.js，所以大部分的樣板程式碼對你來說並不陌生。
Testim
Tricentis · 程式設計Testim 是專為網頁、行動與 Salesforce 應用程式打造的 AI 測試自動化平台，用來建立並執行端到端測試。它靠機器學習在介面變動時維持測試穩定，團隊因此少花時間修補壞掉的定位器。對於一款今天就能開始使用的自動化測試工具來說，這表現不算差。你透過在瀏覽器錄製動作來建立測試，需要更多控制時再補上 JavaScript。對忙碌的 QA 團隊來說，這是個可靠的選擇。