02Business Problem
企业软件支持，不只是“回答问题”
企业软件中的很多问题看似简单，真正处理时却需要支持人员依次核对账号、权限、业务对象、审批、日志，以及适用的 SOP、FAQ 和历史案例。
大量常见问题被反复处理，规则与经验分散在不同资料中；而表面相同的现象，也可能对应完全不同的真实原因。
01重复排查大量常见问题被反复处理。
02知识分散规则、手册、FAQ 与案例分布在不同资料中。
03经验依赖相似现象需要结合当前事实重新判断。
NovaBiz 让 Agent 接手一部分原本依赖人工完成的查询、排查和知识匹配工作。
03Solution
从“回答问题”变成“调查问题”
NovaBiz 将问题处理拆成两类信息：Business Tools 提供“当前发生了什么”，Enterprise Knowledge 提供“正常情况下应该怎样”。
Agent 先获取证据，再对照事实与规则形成诊断和处理建议；需要人工继续处理时，已有调查结果会被整理成交接摘要。
Business Facts
用户身份、权限、合同、审批与系统日志。
Enterprise Knowledge
SOP、FAQ、业务规则、历史案例与版本知识。
04Core Capabilities
围绕企业支持场景组织 Agent 能力
操作咨询
根据当前版本知识提供清晰的操作说明。
业务查询
查询用户、权限、合同、审批和系统日志。
异常诊断
结合多个 Tool 结果逐步排查问题。
企业知识复用
检索 SOP、FAQ、规则和历史案例。
Evidence & Trace
展示工具执行过程与使用过的知识来源。
Human Handoff
整理调查结果并生成结构化交接摘要。
05System Architecture
系统架构：把模型能力组织成完整产品链路
NovaBiz 的核心不是把大模型接进聊天框，而是将 Web UI、会话状态、LangGraph Agent Runtime、DeepSeek、业务工具、知识检索和证据机制组织成完整的问题处理链路。
06Agent Runtime
LangGraph 如何驱动 Agent
LangGraph 负责组织 Agent 的运行过程。模型根据当前 State 决定直接回答、调用 Tool、继续调查、补充知识或结束本轮处理。
复杂问题无需提前写死完整流程，而是通过 Model Node、ToolNode、Conditional Flow 与 Agent Loop，根据当前证据动态决定下一步；Evidence Guard 在输出诊断前检查关键依据。
- State
- 承载消息、工具结果与本轮运行信息。
- Model Node
- 理解上下文并决定回答或调用工具。
- ToolNode
- 执行注册的 Python Tools 并返回结果。
- Conditional Flow
- 根据当前状态选择下一节点。
- Agent Loop
- 让复杂问题持续调查并逐步补充证据。
- Evidence Guard
- 在诊断前检查事实与规则依据。
07Tool Calling
让模型连接可验证的业务事实
LLM 负责理解问题、决定下一步、选择 Tool 并综合信息；Python Tool 负责查询业务事实、执行确定性逻辑并返回结构化结果。
模型不是数据源。Tool Calling 让 Agent 可以基于用户、权限、合同、审批和日志等系统事实进行判断，而不是依赖语言模型猜测。
get_user_profileget_user_permissionget_contract_detailsget_approval_statussearch_system_logsdiagnose_contract_submissionlist_available_functionssearch_support_knowledgepreview_handoff核心业务 Tool 采用只读查询与确定性诊断设计，让 Agent 聚焦在事实获取、问题判断和支持建议，同时控制对业务系统的操作风险。
08Enterprise Knowledge
让企业经验成为可持续使用的知识
NovaBiz 支持 TXT、Markdown、可提取文字的 PDF 和手工知识录入。原文件与 Knowledge Content 分开保留，维护者可以审阅内容后发布到检索体系。
Knowledge Lifecycle 覆盖 Import、Parse、Review、Publish、Retrieve，以及后续的 Edit、Disable 和 Delete；内容修改后会重建索引，停用后退出检索，来源信息始终可追溯。
V1 使用本地字符 n-gram TF-IDF 构建轻量知识检索，在当前知识规模下保持快速、透明和易维护。
09Reliable Diagnosis
让结论建立在完整证据上
Business Fact 描述现在发生了什么，Business Rule 说明正常情况下应该怎样。只有二者足以支撑当前结论时，Agent 才输出业务诊断。
Evidence Completeness Guard 在最终回答前检查事实和规则依据是否完整。简单查询保持直接，复杂诊断则会继续补充所需的当前事实或适用规则。
10Product Experience
从 Agent 能力到实际产品体验
用户看到的不只是最终答案，还可以查看 Agent 查询过的业务事实、工具执行记录和使用过的知识来源。
复杂问题可以持续多轮调查，不同会话保持独立上下文；需要人工接续时，系统会整理已知事实、调查记录和下一步建议。
知识维护工作台让 SOP、FAQ 和产品知识持续进入检索体系，使支持能力随着知识积累不断完善。
11Reliability Validation
多层验证 Agent 行为
NovaBiz 不以“单次回答看起来正确”作为完成标准。基础回归、复杂业务场景和 Business Evaluation 共同验证 Agent 的工具选择、参数、证据使用、知识适用性和最终诊断行为。
12Technical Foundation
技术基础与架构选择
LangChain
负责 Model、Messages、Tool Schema、bind_tools 等 LLM 应用基础抽象。
LangGraph
负责 State、Node、Edge、ToolNode、Agent Loop 与条件流转。
DeepSeek
承担语言理解、工具选择和基于证据的回答生成。
Python Tools
提供稳定、可验证的业务事实查询。
Knowledge Retrieval
将 SOP、FAQ、规则和历史经验连接到 Agent。
13Product Value & Extensibility
产品价值与扩展能力
更高效的企业支持
让常见咨询、业务查询和重复排查得到更快速的处理。
可持续复用的企业知识
SOP、FAQ、业务规则和历史案例可以持续积累并进入 Agent。
可解释的问题处理
回答可以追溯到具体业务事实、工具执行和知识来源。
可扩展的 Agent Runtime
新的业务 Tool、知识源和企业系统能力可以继续接入当前架构。
安全的业务边界
通过只读 Tool 和 Human Handoff，在保留 Agent 能力的同时控制业务操作风险。
NovaBiz 希望把原本依赖人工经验的企业支持流程，转化为可复用、可追踪、可扩展的 Agent 能力。返回项目作品