这个品类的数据长什么样
CMC (Chemistry, Manufacturing, and Controls) 研究在临床试验预筛阶段的数据，主要包括药物的理化性质、生产工艺、质量控制标准、稳定性研究报告以及杂质分析等。这些数据通常来源于药企内部的研发部门、合同研究组织 (CRO) 或第三方检测机构。更新节奏方面，核心数据如批生产记录、稳定性数据等，会随着批次生产和长期稳定性试验的进行而持续更新，通常是季度或半年更新一次，关键节点会更频繁。文档结构上，多以详细的报告、图谱、表格形式呈现，例如 HPLC 图谱、质谱图、核磁共振谱、IR 光谱、元素分析报告、批分析报告等。字段与单位具有高度专业性，如纯度（%）、含量（mg/mL）、杂质限度（ppm）、溶出度（%）、pH 值、晶型（多晶型、无定型）等，且常伴有特定的检测方法标准（如 USP、EP、JP）。
这些特征在「引用来源与溯源」这一环带来什么约束
CMC 研究数据的高度专业性和更新频率，对引用来源的准确性和溯源能力提出了严格要求。大量图谱和表格数据意味着传统的文本分段方式可能不足以捕捉所有关键信息，需要更精细的切分策略。专业术语和单位的精确性，要求召回结果能够准确匹配原文，避免因歧义导致误判。更新频率较高的稳定性数据，使得引用来源必须能够指向特定批次和时间点的报告，确保信息时效性。此外，由于这些数据常涉及法规符合性，任何引用都必须能够直接追溯到原始的实验报告或分析证书，以满足审计和合规性要求。如果引用内容不能明确指出来源文档、页码甚至批次号，将严重影响临床试验预筛的决策可靠性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size (分段长度) | 200-300 字符 | 确保图谱、表格描述和关键参数能被完整捕获，降低信息丢失风险。 |
overlap_size (分段重叠长度) | 50 字符 | 增加上下文关联性，避免关键信息被分段边界截断。 |
retrieval_limit (召回条数) | 8-12 条 | 保证召回足够多的相关报告片段，覆盖不同批次或分析方法的可能性。 |
similarity_threshold (相似度阈值) | 0.75-0.85 | 平衡召回率与准确率，确保召回的文档片段与查询高度相关，减少噪音。 |
rerank_top_k (重排返回条数) | 3-5 条 | 进一步精炼召回结果，将最相关的少量核心报告片段优先展示。 |
max_tokens (模型最大上下文) | 4096-8192 token | 允许模型处理更长的上下文，容纳更多报告细节和图谱描述。 |
容易做错的三处
- 大模型回答未引用任何内容，或者引用内容与答案无关，通常是由于知识库分段粒度过大，导致召回的片段缺乏足够上下文支持，或者相似度阈值设置过高，未能召回足够多的有效信息。
- 系统日志显示在做问题优化时使用了错误的模型配置，可能是应用配置和知识库参数优化配置的模型设置不一致，导致实际处理流程与预期不符。
- 外部发布渠道无法引用知识库内容，而本地测试正常，常见原因是发布渠道的环境配置（如网络访问权限、API Key 或认证信息）与本地测试环境存在差异，导致无法正确访问或认证知识库服务。
怎么确认配好了
- 针对典型查询，检查系统日志中
retrieval_log字段，确认召回的知识库片段数量和内容是否与预期一致，特别是是否包含关键的批次号、检测方法和数值。 - 通过 FastGPT 的调试界面，核对模型的
context输入，确保其中包含足够的、高质量的引用片段，且这些片段能够支持最终生成的答案。 - 针对一份包含表格或图谱描述的 CMC 报告，提出具体问题，观察模型回答中是否能准确引用到报告中的关键数据点（如特定纯度值、杂质种类），并能溯源到具体的报告文件名和页码。
- 模拟不同时间点的查询，检查是否能召回对应更新日期的稳定性报告，以验证数据更新和溯源机制的有效性。
问题素材取自公开社区提问（2026-09-11 去重 4,834 条）。文中的配置项名称与取值区间需以所用版本的实际界面与文档为准；本页核验日 2026-09-21，当时的最新发布版本为 FastGPT v4.17.0。