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来源多样，主要包括公开的临床试验注册库（如 ClinicalTrials.gov）、药企内部研发数据库、学术论文、专利文献以及相关的生物医学知识图谱。这些数据通常以非结构化文本（如研究方案、报告、患者病历描述）和结构化数据（如基因组学、蛋白质组学、影像学、病理学数据、药物靶点信息、毒性数据、疗效指标）混合存在。更新频率方面，公开临床试验数据通常随试验进展实时更新，而内部研发数据则根据项目周期和数据生成速度进行迭代。文档结构复杂，包含大量的医学术语、缩写和特定格式。字段方面，涉及靶点表达水平、连接子类型、载荷药物分子结构、剂量、给药方案、不良事件分级（如 CTCAE 等级）、疗效评估标准（如 RECIST 标准）等。单位则涵盖摩尔浓度、剂量（mg/kg）、时间（天、周、月）、生物标志物浓度（ng/mL）等，且常伴有特定的参考范围。
这些特征在「模型接入与配置」这一环带来什么约束
ADC 数据特有的复杂性和多样性，对模型接入与配置提出了特定要求。其混合的结构化与非结构化数据特性，使得知识库构建时需要兼顾文本分段与结构化字段的抽取。大量的医学专业术语和缩写，要求使用具备领域知识的词嵌入模型，以提升语义理解的准确性。数据更新的实时性，意味着知识库需要支持增量更新机制，并能有效处理版本冲突。不同来源的数据格式差异，增加了数据预处理的复杂性，需要灵活的解析器和归一化策略。例如，CTCAE 等级和 RECIST 标准等特定评估体系的存在，要求模型能识别并正确解释这些标准在临床试验结果中的意义。此外，药物分子结构等化学信息，可能需要专门的化学信息学工具进行预处理，以生成可供模型利用的特征向量。这些都直接影响了数据摄取、分段策略、嵌入模型选择以及检索模型的配置。
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 | 临床试验文档的段落通常较长，包含多重医学概念，此长度可在保持上下文完整性与检索效率间取得平衡。 |
重叠长度 | 50–100 字符 | 确保相邻分段间的语义连续性，避免关键信息被切割。 |
嵌入模型 | bge-large-zh-v1.5 | 具备较强的中文语义理解能力，对医学术语有较好泛化性。 |
召回条数 | 8–12 条 | 在保证覆盖面的前提下，减少后续重排模型的计算负担，兼顾相关性与效率。 |
相似度阈值 | 0.75–0.85 | 针对 ADC 临床预筛的精确性要求，设定较高阈值以过滤掉不甚相关的文档片段。 |
重排返回条数 | 3–5 条 | 聚焦于最相关的核心信息，减少工程师的阅读负担，提升决策效率。 |
容易做错的三处
- 工作流中的文本提取组件未能正确解析某些临床试验报告的非结构化文本，导致关键信息缺失。原因在于报告中存在复杂的表格、图表或非标准化的医学表达，当前模型缺乏对此类特定格式的识别和抽取能力。
- 重排模型部署后，测试阶段表现正常，但实际检索时
reranker_score字段始终为空或返回false。原因可能是计算环境的 GPU 驱动版本与模型推理框架不兼容，或reranker服务与 FastGPT 之间网络通信存在问题，导致模型推理失败。 - Mcp 插件配置和测试均无异常，但回答过程中只输出 XML 或 JSON 代码块而未渲染图表。原因可能是生成内容中的图表数据格式不符合 Mcp 插件的预期输入标准，或 Mcp 插件所依赖的渲染库存在版本冲突或缺失。
怎么确认配好了
- 选取多份不同来源（如 ClinicalTrials.gov、内部报告）的 ADC 临床试验文档，上传并进行知识库切分，检查知识库中的文档分段是否完整且语义连贯，无明显截断或错误合并。
- 针对特定 ADC 药物或靶点，输入数个与临床试验预筛相关的复杂查询（例如，包含特定基因突变、不良事件或给药方案的查询），检查召回结果的
score和reranker_score是否合理，并且返回的文档片段确实包含了查询中的核心医学概念。 - 使用 FastGPT 的测试功能，输入模拟的临床预筛问题，观察模型生成的回答中是否准确引用了知识库中的 ADC 相关信息，并评估其对
CTCAE等级、RECIST标准等特定术语的理解和应用。
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。