这个品类的数据长什么样
稳定性研究的数据主要来源于药物研发过程中不同批次、不同配方、不同储存条件下，药品理化性质、含量、溶出度、微生物限度等指标的长期监测数据。这些数据通常以结构化表格、非结构化报告（如分析方法验证报告、稳定性试验方案与总结报告）、图谱（如色谱图、质谱图）等形式存在。数据更新频率取决于试验设计，通常为季度、半年或年度更新，且在药物开发早期可能更频繁。文档结构复杂，报告中包含大量专业术语、缩略词，以及批次号、检测日期、检测项目、结果、限度、单位（如 %、mg/mL、ppm、°C、RH%）等关键字段。
这些特征在「知识库检索与召回」这一环带来什么约束
稳定性研究数据的高度结构化与非结构化并存特性，要求知识库能够有效融合处理。大量的专业术语和缩略词对词向量模型的训练和召回精度提出挑战，需要专门的领域词典或预训练模型。数据更新频率的不规律性，使得知识库的增量更新和版本管理成为关键。报告中关键字段（批次号、检测项目、结果、限度、单位）的精确识别与关联，直接影响检索结果的准确性。例如，查询特定批次在某个温度下的含量变化趋势，需要知识库能从非结构化文本中准确抽取并整合这些信息，并能处理不同计量单位的转换或统一。图谱类数据的处理则可能需要图像识别或专门的图谱分析模块辅助。
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 | 平衡信息完整性与嵌入模型处理效率，避免单个分段过长导致噪声干扰，或过短丢失上下文。 |
分段重叠长度 | 50–100 字符 | 确保上下文连续性，尤其在专业术语和数据表格跨分段时，提高召回率。 |
召回条数 | 前 8–12 条 | 覆盖更多潜在相关文档片段，增加长尾信息的召回概率，同时控制上下文窗口大小。 |
相似度阈值 | 0.75–0.85 | 在保证高相关性的前提下，适当放宽阈值以召回更多潜在有用信息，按实测标定。 |
重排返回条数 | 前 5 条 | 经过重排后，聚焦于最相关和最关键的信息，减少大语言模型处理无关内容的负担。 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 稳定性研究报告通常较大，解析时间较长，避免因超时导致文件处理失败。 |
容易做错的三处
- 知识库测试时，
相似度得分显示远超 1.0 的值，这通常是由于使用了非标准化的相似度计算方法或显示逻辑问题，需检查系统配置或版本兼容性。 - 上传大型稳定性研究报告后，文件解析失败或内容缺失，原因多为
PARSE_FILE_TIMEOUT_SECONDS设置过低，导致解析进程在完成前被终止。 - 智能体在回答稳定性数据查询时，经常遗漏关键批次号或检测日期，这表明知识库在分段或实体抽取阶段未能有效识别和保留这些重要字段。
怎么确认配好了
- 上传典型稳定性研究报告（如包含表格和图谱的 PDF），检查知识库分段预览，确保关键数据点、字段和单位能被完整且独立地切分。
- 针对特定批次的药物，设计包含专业术语和具体数值的查询语句，测试知识库的召回结果，核对返回分段中是否包含查询提及的关键信息。
- 在智能体中模拟用户提问，例如“批号 XYZ 的药物在 40°C/75%RH 条件下，第 12 个月的含量是多少？”，检查回答是否准确引用了知识库中的数据，并能正确处理单位。
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。