这个品类的数据长什么样
siRNA 核酸药临床试验预筛的数据来源多样，主要包括公开的临床试验注册库（如 ClinicalTrials.gov、欧洲临床试验数据库 EudraCT）、制药企业发布的官方报告、学术期刊论文、专利文献以及监管机构（如 FDA、EMA）的批准文件。这些数据更新频率不一，临床试验注册库数据可能每周更新，而学术论文和批准文件则呈批次发布。文档结构上，数据通常以非结构化文本（如试验方案、研究报告 PDF）和半结构化数据（如 ClinicalTrials.gov 的 XML 或 JSON 导出文件）形式存在。关键字段包括研究名称、试验阶段、靶点基因、siRNA 序列、给药方式、入组/排除标准、主要/次要终点、不良事件报告、申办方信息等。siRNA 序列通常以 IUPAC 核酸简写表示，剂量单位可能涉及 mg/kg、mg，时间单位为 周、月、年，这些都对信息的精确提取提出要求。
这些特征在「引用来源与溯源」这一环带来什么约束
siRNA 核酸药数据的多样性和非结构化特性，对引用来源的准确识别和溯源能力提出了挑战。临床试验方案中的详细入组标准和生物标志物信息，往往埋藏在长篇幅的 PDF 文档中，需要强大的文本解析能力才能有效提取。siRNA 序列的特异性，要求系统能准确识别并链接到相关的专利或文献，确保序列信息的唯一性和权威性。不同来源数据的更新频率差异，意味着引用结果需要明确指出数据的时间戳，以避免引用过时信息。例如，一份旧的临床试验报告可能包含已被后续研究推翻的结论。此外，多语言资料（如部分欧洲临床试验数据可能提供多语种版本）也要求系统具备跨语言检索和溯源能力，确保即使提问是中文，也能引用到英文或德文的原始文献。对于剂量和时间单位，系统需能识别并标准化，防止因单位不一致导致的信息混淆或误解。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500 字符 | 临床试验文档的段落通常较长，500 字符有助于保持上下文完整性，避免关键信息被切断。 |
分段重叠长度 | 100 字符 | 确保分段边缘信息不丢失，便于RAG模型理解跨段落的关联性，尤其是对于复杂的入组排除标准。 |
召回条数 | 前 8 条 | 考虑到siRNA研究的复杂性和多维度信息，增加召回条数可提高检索到的相关性，特别是针对不同靶点或阶段的试验。 |
相似度阈值 | 0.75 | 较高阈值有助于过滤掉与siRNA序列、靶点或试验阶段关联不强的文献，减少噪音信息。 |
重排返回条数 | 前 3 条 | 经过重排后，选取最相关的少数几条作为最终引用，减少用户阅读负担，提高信息聚焦度。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型PDF格式的临床试验报告和专利文件时，可能需要更长的解析时间，避免因超时导致解析失败。 |
容易做错的三处
- 输入中文提问后，系统未能引用知识库中的英文文献，原因可能是知识库未配置多语言文档处理，或嵌入模型缺乏跨语言理解能力。
- 知识库在提问内容明显不相关时仍返回内容，原因可能是
相似度阈值设置过低，导致召回了大量低相关性文档。 - 引用的文献中关于siRNA序列的表述存在歧义或不完整，原因可能是原始文档解析时未能准确识别并提取完整的序列信息字段。
怎么确认配好了
- 针对特定siRNA靶点或序列，使用中文提问，检查返回的引用来源是否包含相关的英文原文文献，并核对文献中的关键数据（如试验阶段、剂量）是否与原始文献一致。
- 使用与知识库内容完全不相关的提问，检查系统是否返回“未找到相关信息”或仅返回极少数低相关性的结果，以验证
相似度阈值的有效性。 - 随机抽取知识库中关于siRNA药物的详细临床试验报告，向FastGPT提问其入组标准或主要终点，核对引用来源是否能定位到原始报告中的准确段落，并验证提取的序列、剂量等关键信息是否完整无误。
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。