用Nova AI搭建垂直行业知识库，这事儿说起来简单，但真正落地时，很多团队都栽在同一个坑里：以为把一堆PDF和Word文档扔进系统就算完事了。结果呢？智能体给出的答案听上去头头是道，细看却是“貌似合理”的胡说八道。
问题出在哪？本质上，是因为你跳过了“行业语义精炼”这个关键环节，直接进入了通用RAG的粗放式检索。要让AI智能体真正理解行业语境、识别业务场景、并且能调用结构化知识去执行决策，你需要一套更精细的工程化方法。下面这四步，是从实践中反复打磨出来的路径。
第一步：锁定知识源边界，拒绝“全量上传”陷阱
打开Nova AI控制台，进入「Data Sources」模块，点击「Add Source」。这里有个容易忽略的细节：选择「Custom Connector」，而不是默认的「Web Crawler」或「Drop Folder」。
你只需要接入三类数据源：企业内部SOP文档（PDF/Word）、结构化数据库快照（CSV/Excel）、以及经法务审核的API接口（比如CRM中客户字段的定义）。其他内容——未脱敏的客服对话记录、员工微信群截图、第三方随便爬来的数据——一律不要碰。这些未经语义清洗和权限校验的数据进入向量空间，就像在纯净的水源里倒进一桶混浊物，后续检索返回的将是“看似正确但完全偏离行业术语本意”的错误结果。
上传前，还有个细节能大幅提升后续效率：手动将文件重命名为「领域_模块_版本号」格式。例如「医疗_医保结算规则_v2.3_202606」。Nova AI的元数据解析器会自动提取前缀作为知识域标签，这将成为智能体路由的关键依据。
第二步：配置行业语义解析器，激活NER+关系抽取双引擎
来到「Knowledge Processing」工作流，记得关闭默认的「Generic Text Splitter」，启用「Domain-Aware Chunker」，然后根据你的行业选择预置模板——「Legal Contract / Medical Guideline / Financial Regulation」对应从法律、医疗到金融的选择。
这个模板加载了两层处理逻辑：第一层用行业微调过的NER模型识别实体——比如「DRG分组码」「药品通用名」「LPR利率浮动区间」这类专业缩写；第二层运行规则引擎抽取三元组——比如记录「[医保局]–[发布]–[DRG付费实施细则]」这种关系。需要警惕的是：如果选择「Generic」模板，所有这些专业缩写都会被切碎成无意义的零散Token，导致向量化后语义断裂，后续检索准确率急剧下滑。
还有一步很多团队会遗漏：勾选「Preserve Cross-Document References」。假设某份手术操作规范中引用了另一份《院感防控指南》第5.2条，这个引用关系会被保留为知识图谱中的边，为后续智能体进行跨文档推理提供基础。
第三步：构建可执行的知识形态，不止于问答对
进入「Knowledge Forms」面板，不要只生成QA-Pair就收工。你需要同时启用以下三种形态：
第一种是「Decision Tree Form」——把政策条款变成if-then规则链。例如：输入「患者年龄≥65岁且诊断含‘心衰’」，输出「触发【高风险用药审核】节点 → 调用药师复核接口」。
第二种是「Procedure Flow Form」——把SOP拆解成带状态标记的操作序列。每一操作步骤都要标注「执行角色（医生/护士/系统）」、「前置条件（检验报告已回传）」、「失败兜底动作（自动转人工队列）」。
第三种是「Constraint Graph Form」——显式声明行业强约束。比如「医疗器械注册证有效期≤5年」或「跨省医保结算必须匹配参保地白名单」。这些约束会被注入LLM的system prompt，强制其生成内容时进行自我校验。
关键动作：在「Constraint Graph」编辑页，手动添加至少3条业务硬约束。Nova AI不会自动推导合规红线，漏填将导致智能体在真实场景中违反监管要求。
第四步：绑定智能体行为策略，让知识驱动动作
创建新Agent后，在「Execution Policy」中设置三块内容：
① 指定「Knowledge Router」：比如用户提问中含有「报销」「结算」「DRG」等词时，强制路由至医疗知识库；出现「LPR」「抵押率」「五级分类」时，切换到金融知识库。路由规则支持正则表达式，例如 .*(?i)lpr.*|.*基准利率.*。
② 配置「Fallback Chain」：若RAG检索置信度低于0.65，不要给用户返回“我不清楚”，而是自动触发「Constraint Graph Validation」——如果仍无法解决，则调用「Procedure Flow」中的兜底步骤——最终才转人工。
③ 设定「Action Binding」：在知识片段中标记「#call_api:charge_calculate」的段落，自动绑定至后台计费服务；标记「#alert:high_risk_drug」的段落，触发企业微信告警机器人。
保存Agent配置后，记得点击「Test in Sandbox」，输入一个真实的业务问题——比如「退休职工异地住院如何结算？」——然后观察智能体是否准确调用「Decision Tree」判断参保类型，检索「Procedure Flow」获取材料清单，调用「Constraint Graph」校验跨省备案时效性。这才是检验知识库是否真正“活”起来的关键一步。