这个品类的数据长什么样
小分子化药临床试验预筛的数据主要来源于药物化合物数据库（如 PubChem、ChEMBL）、专利文献、药物研发报告、临床前研究数据、以及已发表的科学论文。这些数据更新频率不一，化合物结构和理化性质数据相对稳定，而临床前数据和专利信息则动态变化，每月或每季度会有新批次更新。文档结构通常包含结构式（SMILES、InChI）、分子量、LogP、溶解度等理化性质字段，以及作用靶点、药效学数据、毒理学报告、药代动力学参数和临床前试验方案描述。字段单位严格，例如分子量以 Da 为单位，浓度以 nM 或 µM 为单位，剂量以 mg/kg 表示。
这些特征在「知识库检索与召回」这一环带来什么约束
小分子化药数据的特异性对知识库检索与召回提出了具体要求。结构式信息决定了需要支持基于结构相似性的检索，传统的文本匹配不足以捕捉其化学语义。理化性质字段的数值化特性，要求知识库具备数值范围查询和单位转换能力，以确保检索的精确性。临床前试验方案描述通常包含大量实验细节和专业术语，其半结构化文本特性，使得分词和实体识别成为关键。数据更新频率的不一致，要求知识库支持增量更新和版本管理，避免召回过期或重复信息。此外，不同数据源间可能存在对同一化合物或靶点描述的细微差异甚至冲突，这需要召回机制能够识别并提示潜在的数据不一致。
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 | 确保单个分段能包含完整的化合物理化性质或实验步骤描述，避免语义割裂。 |
召回条数 | 10–20 条 | 在保证召回覆盖度的前提下，兼顾后续重排模块的处理效率，避免过度冗余。 |
相似度阈值 | 0.75–0.85 | 针对小分子化药的专业术语和结构化数据，需要较高的阈值来过滤不相关的结果。 |
重排返回条数 | 3–5 条 | 聚焦于与查询最相关的核心信息，减少模型处理量，提升响应速度。 |
embeddingModel | bge-large-zh-v1.5 | 能够更好地理解生物医药领域的专业词汇和上下文语义。 |
maxContext | 4000 字符 | 适应临床试验方案等长文本的上下文需求，确保模型能获取足够信息。 |
容易做错的三处
- 现象：检索结果中出现大量无关的化合物或靶点信息，与查询意图不符。 原因：
相似度阈值设置过低，未能有效过滤掉低相关度的文档片段。 - 现象：引用了知识库，但生成答案时未能完全利用专业知识库内容，反而掺杂了通用模型回答。 原因：
召回条数或重排返回条数设置不当，导致模型在有限的上下文窗口内未能优先处理来自专业知识库的高质量召回结果。 - 现象：知识库中明明存在相关数据，但检索时无法召回，或者召回的内容残缺不全。 原因：
分段长度设置过短，导致关键的化合物结构、理化性质或试验方法描述被分割到不同的知识块中，影响了语义完整性。
怎么确认配好了
- 针对典型的小分子化药查询，检查召回结果是否精准指向相关化合物、靶点或试验数据，并核对关键字段的单位和数值是否正确。
- 随机抽取知识库中多个文档，模拟查询其核心内容，观察召回条目的完整性和相关性，尤其是包含结构式或复杂实验方案的文档。
- 通过对比不同
相似度阈值下召回结果的质量和数量，确定一个能有效平衡查全率与查准率的阈值范围。
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。