这个品类的数据长什么样
精神类疾病临床试验预筛的数据主要来源于多模态的临床报告。这包括患者病历中的医生诊断记录、症状描述、家族史、既往治疗史等非结构化文本，也包含量表评估结果、基因测序报告、影像学检查（如 MRI、fMRI）报告等半结构化或结构化数据。数据更新频率相对较低，通常随患者就诊或随访周期更新。文档结构复杂，例如医生记录可能包含大量医学术语、缩写、口语化表达，缺乏统一的格式。量表数据则包含具体评分和对应的解释。字段和单位多样，例如抑郁量表（如 HAM-D）的评分范围、精神分裂症诊断标准（如 DSM-5）的症状条目编码，以及药物剂量单位（mg、μg）等。
这些特征在「向量模型与索引」这一环带来什么约束
精神类疾病数据的高度非结构化和多模态特性，对向量模型的选择和索引策略提出了特定要求。文本中存在大量专业术语和上下文依赖性强的描述，要求向量模型具备强大的语义理解能力，能够捕捉词语之间的深层关联。量表和诊断标准等半结构化数据，需要特殊的处理方法，以确保其数值信息和分类信息在向量空间中得到有效编码。由于数据更新频率不高，索引的实时性要求相对较低，但需要支持历史数据的有效管理和版本控制。文档长度不一，从简短的症状描述到冗长的基因报告，对分块策略和索引粒度有直接影响。此外，不同数据源的异构性，使得单一的向量模型可能难以全面覆盖所有信息类型。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
embeddingModel | multimodal-embedding-v1 | 支持多模态数据，能处理精神类疾病报告中的文本与结构化信息混合场景 |
分段长度 | 500–800 字符 | 平衡文本语义完整性与向量模型输入长度限制，避免关键信息被截断 |
分段重叠 | 50 字符 | 确保分段边界上下文的连续性，提高检索时的召回率 |
召回条数 | 10–15 条 | 考虑到精神疾病诊断的复杂性，需要更多相关上下文进行综合判断 |
相似度阈值 | 按实测标定 | 依据具体临床决策的敏感性和特异性需求进行调整，通常在 0.7–0.8 之间 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型临床报告和基因测序报告时，需要更长的解析时间 |
容易做错的三处
- 文档索引长时间无进展，状态显示为“处理中”。这通常是由于
PARSE_FILE_TIMEOUT_SECONDS配置过低，未能处理大型或复杂格式的临床报告文件。 - 检索结果中未能包含关键的量表评估信息。这可能是由于分块策略未充分考虑半结构化数据，导致量表数值与解释文本被错误分离，未能形成有意义的向量表示。
- 相关性较高的临床症状描述未被召回。这可能与
embeddingModel选择不当有关，模型未能有效理解精神医学领域特有的术语和表达方式，导致向量表示不准确。
怎么确认配好了
- 上传多种类型（医生诊断、量表、基因报告）的典型精神疾病临床文档，观察索引状态是否正常完成，且无超时错误。
- 对包含特定症状描述、量表评分和诊断标准的文档进行检索，检查召回结果是否包含预期的关键信息片段，并评估其相关性排序。
- 通过调整
相似度阈值，观察召回条数和相关性变化，确定一个能平衡精确率与召回率的阈值范围。 - 针对精神疾病特有术语和缩写进行查询，验证向量模型是否能准确识别并召回相关文档片段。
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。