这个品类的数据长什么样
抗体偶联药物（ADC）临床试验预筛的数据主要来源于全球临床试验注册库（如 ClinicalTrials.gov、欧盟临床试验注册库）、生物医学文献数据库（如 PubMed、Scopus）、专利数据库、药物研发报告以及药企内部研究数据。这些数据更新频率较高，临床试验注册信息可能每周更新，文献和专利数据则持续发布。文档结构多样，包括结构化的试验记录表、非结构化的研究方案文档、病例报告表（CRF）以及各种研究报告。字段与单位特殊性体现在对靶点表达、连接子类型、毒素分子、偶联比（DAR）、PK/PD 参数、不良事件（AE）分级、实体瘤或血液肿瘤分期等生物医药特有术语和计量单位的严格定义和使用。
这些特征在「向量模型与索引」这一环带来什么约束
ADC 临床试验数据的高更新频率要求向量索引具备高效的增量更新能力，以确保预筛结果的时效性。多样的文档结构，特别是大量非结构化文本，对文本预处理和向量化模型的泛化能力提出挑战，需要模型能够准确捕捉生物医药领域的复杂语义。ADC 特有的靶点、连接子等生物分子字段，以及 PK/PD 参数等数值型字段，需要向量模型能够融合结构化与非结构化信息，并对专业术语有深入理解。此外，不良事件分级等医学专有单位和分级系统，要求向量索引在相似度计算时，能够区分不同等级的临床意义，避免单纯的文本匹配误差，确保召回结果的临床相关性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 512–768 字符 | 平衡上下文完整性与向量化效率，避免长文本稀释关键信息。 |
overlap_size | 64–128 字符 | 确保分段间上下文连续，减少关键信息被截断的风险。 |
embedding_model | text-embedding-3-large 或 bge-large-zh-v1.5 | 针对生物医药领域专业词汇和复杂语义，选择高维度、高性能模型以提升语义捕捉能力。 |
top_k | 10–20 条 | 初步召回足够多的潜在相关结果，为后续重排提供丰富候选集。 |
rerank_model | bge-reranker-large | 对初召结果进行精细排序，提升结果的准确性和相关性。 |
similarity_threshold | 按实测标定 | 依据临床试验预筛的严格性要求，通过实际案例调整，平衡召回率与精确率。 |
容易做错的三处
- 现象：预筛结果中出现大量无关或低相关性临床试验，甚至包含非 ADC 药物。原因：向量模型对 ADC 药物特有分子结构、作用机制等深层语义理解不足，导致向量表征区分度不高。
- 现象：知识库更新后，新导入的临床试验数据未能及时被召回。原因：索引机制未配置增量更新，或增量更新效率低下，导致新数据未被有效向量化并纳入索引。
- 现象：查询特定靶点或毒素类型时，召回结果排序混乱，重要的试验信息排在后面。原因：相似度计算仅依赖向量距离，未结合关键字段权重或重排模型对生物医药专业术语的识别能力。
怎么确认配好了
- 进行一系列包含 ADC 靶点、连接子、毒素、适应症等关键词的复杂查询，检查召回结果的
top_k条目是否包含高相关性临床试验，并评估其排序是否合理。 - 导入一批最新的 ADC 临床试验数据，等待索引更新完成后，立即执行针对这些新数据的查询，确认它们能够被有效召回。
- 随机抽取临床试验预筛的真实案例，对比人工筛选结果与系统召回结果，计算召回率和精确率，并根据业务需求设定可接受的合格阈值。
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。