这个品类的数据长什么样
清洁验证的数据主要来源于生产批记录、设备日志、分析报告和验证方案。这些文档通常以 PDF、Word 或扫描件形式存在，内容涵盖清洗剂类型、清洗参数（如温度、时间、流速）、残留物检测结果（如 HPLC、TOC 分析数据）、取样点信息以及可接受限度。数据更新频率与生产批次和验证周期相关，通常每月或每季度进行一次。文档结构相对固定，包含标题、章节、表格和图示。字段包括批次号、设备编号、分析方法、检测值、单位（ppm、μg/cm²）和判定结果。
这些特征在「知识库检索与召回」这一环带来什么约束
清洁验证数据多为半结构化和非结构化混合，尤其扫描件中的表格识别需要高精度。残留物检测结果的数值和单位关联性强，召回时需确保数值与单位的正确匹配，避免误判。验证方案中对不同产品和设备的清洁要求存在差异，知识库检索需能区分这些上下文，防止交叉污染风险的判断失误。文档更新频率虽然不高，但每次更新都可能引入新的清洗剂或检测方法，要求知识库具备增量更新能力。此外，历史批次数据量庞大，对检索性能和效率提出挑战，需要高效的索引策略。
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 | 确保残留物检测结果的数值、单位和判定结果能被完整切分，避免上下文丢失。 |
分段重叠长度 | 100–200 字符 | 维持段落间的连续性，有利于捕获跨段落的逻辑关联，如清洗参数与检测结果的对应关系。 |
召回条数 | 前 5–8 条 | 平衡召回精度与计算成本，多数情况下可覆盖相关度较高的关键文档片段。 |
相似度阈值 | 0.75–0.85 | 确保召回结果与查询意图高度相关，过滤掉不相关的批次记录或泛化性描述。 |
重排返回条数 | 3–5 条 | 在召回结果基础上进行二次排序，精选出最能支撑预筛判断的证据片段。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对大型 PDF 或扫描件的解析需求，避免因文件过大导致的解析超时。 |
容易做错的三处
- 现象：知识库检索返回结果中，检测数值与单位不匹配或为空。原因：OCR 识别扫描件时，数值和单位被错误切分或识别为不同字段，导致向量化时关联性丢失。
- 现象：工作流中引用知识库变量后报错，提示变量不存在或格式错误。原因：知识库导入 Excel 表格时，未正确配置列映射关系，导致变量名与实际数据字段不一致。
- 现象：针对特定清洗剂的查询，召回结果中出现不相关设备的验证记录。原因：知识库索引未充分考虑文档中的设备编号、产品代码等关键实体，导致查询时上下文区分度不足。
怎么确认配好了
- 针对不同清洗剂类型、设备编号和残留物名称，提交多样化查询，检查召回结果是否准确包含对应的批次号、检测值和判定结果。
- 随机抽取一批清洁验证文档，提取其中的关键信息作为查询，核对召回结果与原文内容的一致性，特别是数值和单位的匹配程度。
- 使用包含错别字或同义词的查询，观察知识库的召回表现，评估其对查询变体的鲁棒性。
- 监控知识库的查询日志，分析高频查询的召回准确率和响应时间，并根据反馈调整
召回条数和相似度阈值。
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。