Premières impressions et interface
En visitant le site getnao.io, j'ai été immédiatement frappé par la clarté du pitch : « The Analytics Agent built for context engineering. » La page d'accueil présente un workflow en terminal qui semble rafraîchissant, conçu avant tout pour les développeurs. Après avoir installé le CLI avec un simple npm install -g nao, j'ai exécuté nao init et j'ai vu apparaître dans mon terminal une structure de fichiers — complète avec des répertoires pour les bases de données, les documents, les requêtes, les dépôts et la sémantique. Le tableau de bord (la ligne de commande elle-même) affiche une vue arborescente du contexte de votre agent. Il n'y a pas d'interface graphique lourde, ce qui est logique pour un outil destiné aux ingénieurs de données et aux ingénieurs d'analyse. Le LLM par défaut est Claude Sonnet 4.5, mais vous pouvez utiliser votre propre clé. L'interface de chat, lancée avec nao chat, propose une interface minimale mais fonctionnelle où j'ai demandé « show me unique users by month » et j'ai regardé l'agent explorer le contexte que j'avais défini. Le temps de réponse était raisonnable — environ 10 secondes — et le SQL généré était précis.
Comment fonctionne Nao : l'Ingénierie de Contexte
Nao résout un problème spécifique dont souffrent de nombreux agents LLM orientés analyse : un contexte peu fiable. Au lieu de jeter des vidages de schéma ou de la documentation brute sur le LLM, Nao traite le contexte comme un système de fichiers structuré. Vous définissez chaque élément — colonnes de table, résumés de profilage, définitions métier, exemples de requêtes, et même des règles — sous forme de fichiers markdown ou de modèles dans le répertoire nao-agent. Le fichier nao_config.yaml orchestre tout : connexions aux bases de données (BigQuery, Snowflake, etc.), références aux dépôts (dbt, Looker) et sources externes comme les pages Notion. Lorsque vous exécutez nao sync, l'agent récupère les métadonnées en direct de ces sources et les écrit dans votre dossier de contexte. C'est bien plus granulaire que de simplement vectoriser un site de documentation. Vous pouvez même écrire des tests unitaires : créez le SQL attendu à partir de questions et exécutez nao test pour mesurer le taux de réponse, les tokens et le temps. Lors de mon test, il a rapporté un taux de réussite de 81,8 % sur 11 questions — une métrique concrète de fiabilité. L'hypothèse centrale de l'outil est que la fiabilité de l'agent est directement proportionnelle à la qualité du contexte, et l'abstraction par système de fichiers rend ce contexte explicite et versionnable.
Capacités techniques et tarification
Sous le capot, Nao utilise le LLM de votre choix via votre propre clé API (par exemple Claude Sonnet 4.5, GPT-4). Il prend en charge les connecteurs pour les principales bases de données (BigQuery, Snowflake, Postgres) via le champ accessors — les options incluent columns, description, preview et profiling. Les dépôts (dbt, Looker) et les documents externes (Notion) sont également des citoyens de première classe. L'ensemble du projet est 100 % open source, hébergé sur GitHub sous l'organisation nao-labs. La tarification n'est pas affichée publiquement sur le site, mais le modèle encourage le bring-your-own-key et l'auto-hébergement, ce qui signifie que vous ne payez que la consommation de tokens de votre propre fournisseur LLM. Pour ceux qui souhaitent une version hébergée, le site mentionne « Deploy a chat with your own LLM key » — ce qui sous-entend un niveau géré, mais aucun détail de prix n'est fourni. Comparé à des alternatives comme l'assistant d'analyse de LangChain ou les outils basés sur le RAG, l'accent mis par Nao sur une ingénierie de contexte explicite et de type système de fichiers est unique. Il vous offre un contrôle granulaire sur ce que l'agent voit, et le banc de test permet d'itérer. Idéal pour les équipes qui disposent déjà d'une documentation de données structurée (docs dbt, explores Looker) et qui souhaitent construire une interface de requête en langage naturel fiable sans réinventer le pipeline de contexte. Les développeurs qui préfèrent une approche low-code et visuelle pourraient trouver le CLI et la configuration YAML trop lourds.
Recommandations et limites
Les atouts de Nao sont son caractère open source, le paradigme du contexte-comme-système-de-fichiers et les tests de fiabilité inclus. Je crois sincèrement que c'est l'une des approches les plus pratiques que j'ai vues pour rendre les agents d'analyse dignes de confiance. Cependant, il existe de réelles limites. L'outil suppose que vous disposez déjà d'une infrastructure de données importante — un projet dbt, un entrepôt de données et une équipe prête à maintenir les fichiers de contexte. La prise en main pour les non-développeurs est difficile ; il n'existe aucune interface graphique pour configurer les sources de contexte ou gérer les tests. De plus, les performances de l'agent dépendent fortement de la qualité de vos fichiers de contexte — des descriptions mal rédigées ou des données de profilage manquantes dégraderont la précision. Pour une preuve de concept, j'ai dû écrire plusieurs fichiers markdown manuellement. L'outil manque également actuellement de support intégré pour l'analyse des chats en direct ou les boucles de rétroaction utilisateur, bien que l'onglet de surveillance affiche l'historique des conversations. Dans l'ensemble, je recommande Nao aux équipes de données qui sont à l'aise avec la ligne de commande et qui souhaitent un agent d'analyse transparent et testable. Si vous avez besoin d'une solution clé en main avec un éditeur visuel, cherchez ailleurs. Visitez Nao sur https://getnao.io pour l'explorer vous-même.
Commentaires