这个品类的数据长什么样
实体瘤临床试验预筛的数据主要来源于全球范围内的临床试验注册库（如 ClinicalTrials.gov、欧洲临床试验注册库）、医学期刊文献、会议摘要以及药企公开的试验方案。数据更新频率较高，新的试验注册、试验进展、结果发布几乎每日都在发生。文档结构通常包含结构化字段（如试验编号、药物名称、适应症、入组标准、排除标准、主要/次要终点、地理位置）和大量的非结构化文本（如试验方案描述、受试者招募详情、不良事件报告）。其中，入组与排除标准文本篇幅长，涉及复杂的医学术语和逻辑关系，常包含具体的疾病分期、基因突变类型、既往治疗史、合并症、器官功能指标等。字段单位多样，例如肿瘤大小的毫米（mm）、血液指标的纳摩尔每升（nmol/L）或国际单位（IU）、治疗周期的周（weeks）或月（months）。
这些特征在「向量模型与索引」这一环带来什么约束
实体瘤临床试验数据的更新频率要求向量索引具备高效的增量更新或重建机制，以确保检索结果的时效性。入组与排除标准的复杂性和医学专业性，对向量模型捕捉语义细节和区分细微差别提出了较高要求。例如，对“HER2阳性”与“HER2低表达”这类表述的准确理解，直接影响预筛结果。非结构化文本的冗长特性，需要合适的文本分段策略，避免关键信息被稀释或截断。多种单位和数值的存在，意味着向量模型需具备一定的数值感知能力，或者需要在预处理阶段进行规范化，例如将不同单位的肿瘤大小统一。此外，临床试验数据量庞大，要求向量存储和检索系统具备良好的可扩展性和查询性能，确保在海量数据中快速定位符合条件的试验。对 Doubao-embedding 这类非归一化模型的支持，要求平台在向量存储前进行归一化处理，以保证相似度计算的准确性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500-800 字符 | 实体瘤临床试验文档的入组/排除标准段落通常较长，此范围能较好地保留上下文语义。 |
分段重叠 | 50-100 字符 | 确保分段边界处的关键信息不会因切割而丢失，提高语义连续性。 |
向量模型 | Doubao-embedding 或其他专业医学领域模型 | 需选择对医学专业术语和复杂逻辑理解能力强的模型，例如适配未归一化向量的模型需开启归一化配置。 |
归一化配置 | 开启 | 当使用 Doubao-embedding 等默认输出非归一化向量的模型时，开启此项可确保向量相似度计算的准确性。 |
召回条数 | 30-50 条 | 考虑到实体瘤临床试验预筛的精确性要求，适当增加召回数量，以确保涵盖潜在的匹配项，后续可由重排模型进一步筛选。 |
相似度阈值 | 按实测标定 | 初始可设为 0.75，根据实际预筛结果的召回率和准确率进行精细调整，确保既不漏报也不误报。 |
容易做错的三处
- 知识库切换向量模型后长期无进展，甚至无法切换回原模型，这通常是由于后台任务队列阻塞或新模型配置有误导致。
- 配置
Doubao-embedding等模型时，API 测试报错 "404 page not found"，原因可能是模型渠道配置的 API 地址不正确或缺少必要的认证信息。 - 预筛结果召回率低，表现为未能发现符合条件的试验，这可能与文本分段过短导致关键信息被截断、或
相似度阈值设置过高有关。
怎么确认配好了
- 在知识库中上传至少 5 份典型的实体瘤临床试验协议文档，并观察知识库索引状态是否正常完成。
- 使用包含复杂医学术语和多重逻辑条件的查询语句，对已索引的知识库进行检索，检查
召回条数和相似度阈值下的初步召回结果是否包含预期文档。 - 检查 FastGPT 模型渠道配置中
Doubao-embedding或其他向量模型的API 地址和认证凭据是否与服务提供商的要求完全一致。 - 选取已知阳性和阴性样本的查询，对比预筛结果，根据业务需求调整
相似度阈值，使假阳性和假阴性率达到可接受水平。
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。