这个品类的数据长什么样
患者援助项目的数据主要来源于药企、CRO（合同研究组织）提供的临床试验方案、研究者手册、知情同意书、以及患者入组/排除标准。这些文档通常以 PDF、Word 或结构化数据库的形式存在。数据更新频率因试验阶段和方案修订而异，通常在试验启动、方案修正或监管审批后进行。文档结构复杂，包含大量医学术语、数值范围、疾病诊断标准、伴随用药禁忌等。字段包括但不限于疾病名称、基因突变类型、KPS 评分、ECOG 评分、特定生物标志物检测结果、过往治疗史等。单位涉及剂量（mg）、时间（周、月）、数值范围（如血常规指标）等。
这些特征在「知识库检索与召回」这一环带来什么约束
复杂的医学术语和同义词变体对召回精度提出了挑战，需要词汇扩展和语义理解能力。数值范围和多条件组合筛选要求检索系统能够解析并匹配复杂的逻辑表达式，单纯的关键词匹配容易遗漏。文档更新的不定期性意味着知识库需支持增量更新和版本管理，以确保检索结果的时效性。长文档中分散的关键信息，如入组排除标准，要求分段策略能有效捕捉上下文，避免信息碎片化。多源数据的异构性，如结构化数据与非结构化文本并存，增加了知识库构建的复杂性，需要统一的索引和查询接口。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 800–1200 字符 | 适应临床试验文档段落长度，兼顾上下文完整性与检索效率。 |
分段重叠长度 | 100–200 字符 | 确保跨段落的关键信息关联性，避免重要信息在段落边界被切断。 |
召回条数 | 前 8–12 条 | 在保证覆盖度的前提下，减少后续模型处理的负担，避免低相关性结果干扰。 |
相似度阈值 | 0.75–0.85 | 平衡召回率与准确率，降低误召回不相关文档的风险，特别是针对医学术语。 |
重排返回条数 | 前 5 条 | 进一步精炼召回结果，将最相关的文档片段优先呈现，提升用户体验。 |
嵌入模型版本 | text-embedding-ada-002 | 行业广泛应用，对医学文本有较好的语义理解能力。 |
容易做错的三处
- 查询结果条数异常少，或无法命中预期文档。原因在于分段策略不当，关键信息被切分到不同段落，或嵌入模型对医学术语的理解不足。
- 面对包含数值范围的查询（如“KPS 评分大于 70”），系统返回无关结果。原因在于知识库未对数值型或逻辑型查询进行特殊处理，仅进行文本匹配。
- 知识库更新后，查询结果仍包含旧信息。原因在于增量更新机制不完善，或索引未及时重建，导致检索的是旧版数据。
怎么确认配好了
- 针对典型患者画像和入组排除标准，构建标准查询集，验证召回结果是否包含所有必要文档片段。
- 设计包含数值范围和多条件组合的复杂查询，核对召回结果能否准确筛选出符合逻辑的文档。
- 模拟知识库更新流程，观察新旧信息检索的时效性和准确性，确保系统能快速响应数据变化。
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。