这个品类的数据长什么样
批记录审核的数据主要来源于药品生产过程中的批生产记录和批检验记录。这些记录通常以电子文档（如 PDF、Word、Excel）或扫描件的形式存在，包含生产工艺参数、物料批次信息、设备运行记录、检验结果、偏差处理报告等。数据更新频率相对较低，通常随批次生产完成而更新。文档结构化程度不一，部分内容为表格数据，部分为自由文本描述。字段与单位具有高度专业性，例如温度（℃）、压力（MPa）、时间（h）、pH值、含量（%）等，并常伴随特定的批号、序列号、仪器型号等标识符。
这些特征在「向量模型与索引」这一环带来什么约束
批记录中混合的结构化与非结构化数据，要求向量模型能有效处理表格和自由文本。专业字段和单位的存在，使得通用词嵌入模型可能难以捕捉其语义关联，需要考虑领域特定词汇的增强。数据更新频率低，意味着索引重建的频率不必过高，但每次更新需要确保数据完整性和一致性。文档中包含的偏差记录和异常值，对向量模型的异常检测能力提出要求，同时索引需要支持精确匹配和范围查询，以快速定位特定批次或异常情况。长文档中关键信息的稀疏分布，也要求分段策略需能有效保留上下文。
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 | 兼顾上下文完整性与向量模型处理效率 |
分段重叠长度 | 100–150 字符 | 确保段落间上下文连续性，减少信息丢失 |
embedding_model | text-embedding-ada-002 或更高版本 | 兼顾性能与成本，支持多语言和长文本 |
召回条数 | 前 10–15 条 | 平衡召回率与计算开销，覆盖潜在相关信息 |
相似度阈值 | 按实测标定 | 确保结果相关性，避免过度过滤或引入噪音 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对大型批记录文档解析，防止超时中断 |
容易做错的三处
- 文件导入后知识库索引无法建立：这通常是由于批记录文档中包含大量扫描图片或复杂表格，导致文件解析器超时或无法正确提取文本内容。
- 查询结果相关性不足：可能是因为向量模型未针对生物医药领域的专业词汇进行优化，导致“批号”、“批次”、“有效期”等关键字段的语义未能被有效编码。
- 特定批次或偏差信息难以召回：可能与分段策略过于激进，将关键的异常描述从其上下文中断开，或索引未充分覆盖文档中的所有重要字段有关。
怎么确认配好了
- 选择有代表性的批记录文档进行导入，检查知识库中是否正确生成了分段和索引条目。
- 针对批记录中的关键信息（如特定批号、偏差描述、检验结果异常值），通过查询验证是否能准确召回包含这些信息的原始文档片段，并评估召回结果的相关性阈值。
- 模拟实际预筛场景，输入具有歧义或专业术语的查询，检查系统是否能给出合理解释或定位到相关批记录，评估此场景下的查询效果。
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。