这个品类的数据长什么样
先导优化阶段的数据主要来源于高通量筛选、药物化学合成记录、体外和体内药效学、药代动力学（ADME）以及毒理学研究报告。数据更新频率较高，尤其在高通量筛选和结构-活性关系（SAR）迭代过程中，可能达到每周甚至每天多次更新。文档结构多样，包括结构式文件（SDF、MOL2）、实验数据表格（CSV、Excel）、分析报告（PDF）以及内部数据库记录。字段与单位具有专业性，例如化合物的 SMILES 字符串、IC50 值（单位nM或μM）、logP、TPSA、半衰期（单位小时）、清除率（单位mL/min/kg）等。这些数据往往分散在不同的系统和文件格式中。
这些特征在「工作流编排」这一环带来什么约束
数据来源的多样性要求工作流具备强大的异构数据接入能力，能够解析不同格式的文件和数据库接口。高更新频率意味着工作流需要支持自动化触发和增量更新，避免重复处理已有的稳定数据。复杂的文档结构和专业字段对数据预处理节点提出挑战，需要精确的字段提取、单位标准化和数据清洗功能。例如，从PDF报告中提取特定实验结果，或将不同单位的IC50值统一。此外，化合物结构信息的处理，如SMILES字符串的解析和结构相似性计算，需要专门的AI节点或外部工具集成。工作流的编排必须考虑到这些数据的时效性和准确性，确保预筛结果基于最新且清洗过的数据。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 4000-6000 字符 | 兼顾上下文长度与推理成本，避免关键信息截断 |
召回条数 | 15-20 条 | 平衡召回效率与相关性，确保覆盖潜在相关文献 |
相似度阈值 | 0.75-0.85 | 筛选出高相关性数据，降低假阳性结果 |
文本分段长度 | 800-1200 字符 | 适应长篇实验报告，确保每个分段包含完整语义块 |
PARSING_TIMEOUT_SECONDS | 300-600 秒 | 处理大型结构文件或复杂报告的解析时间 |
AI_NODE_RETRY_COUNT | 3 次 | 应对外部API瞬时故障，提高工作流稳定性 |
容易做错的三处
- AI问答节点无法正确处理上游文本拼接节点输出的完整内容，导致回答缺失关键信息。原因可能是文本拼接节点输出格式与AI问答节点预期输入不符，或输出字符数超出AI问答节点的单次处理上限。
- 工作流调试时变量能正常显示，但通过API调用时变量部分为空。原因通常是API调用参数未正确映射到工作流内部变量，或API请求体中的变量名与工作流定义不一致。
- 工作流并发执行时，系统资源占用激增导致前端界面无响应。原因可能是工作流中存在计算密集型节点（如大规模结构相似性计算），且未对并发量进行有效限制，超出后端处理能力。
怎么确认配好了
- 针对每个关键数据源，执行一次完整的工作流，检查数据导入节点是否成功解析所有预期字段，特别关注IC50、logP等专业字段的数值和单位是否正确。
- 通过API调用工作流，并比对API返回结果与直接在界面调试时的输出，确保所有变量和最终预筛结果一致。
- 在高并发环境下运行工作流，并监控系统资源使用情况，确认工作流执行的稳定性和响应时间在可接受范围内。
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。