这个品类的数据长什么样
药物警戒数据主要来源于临床试验报告、真实世界证据（RWE）、不良事件报告（ADR）以及药品说明书。这些数据更新频率高，尤其在临床试验进行中，安全性数据会持续产生。文档结构通常包含结构化与非结构化信息，如患者基本信息、用药史、疾病诊断、不良反应描述、实验室检查结果等。非结构化文本如不良事件叙述，往往包含大量医学术语、缩写和口语化表达。字段方面，涉及药物名称、批次号、剂量、给药途径、事件发生时间、严重程度、结局等，单位则涵盖剂量单位（mg、g、IU）、时间单位（天、小时）、频率等，且需要处理多语言和不同计量体系的兼容性问题。
这些特征在「向量模型与索引」这一环带来什么约束
高更新频率要求向量索引具备高效的增量更新能力，以确保检索结果的时效性。结构化与非结构化混合数据要求向量模型能够有效处理不同类型的信息，尤其是对非结构化文本的语义理解能力至关重要，需要捕捉复杂医学概念和关联。海量医学术语和缩写对词嵌入质量提出了更高要求，通用模型可能难以准确理解其在药物警戒语境下的含义，可能导致相关性召回不足。多语言和不同计量单位的存在，增加了数据预处理的复杂性，需要统一化或在向量空间中进行有效映射。此外，对不良事件严重程度和结局等关键字段的精确识别，直接影响预筛的准确性，要求向量模型能区分细微的语义差异。
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 | 兼顾上下文完整性与向量模型处理效率，避免单个分段过长稀释关键信息。 |
召回条数 | 前 10–20 条 | 保证足够的候选结果进入重排阶段，覆盖潜在相关信息，避免漏报。 |
相似度阈值 | 按实测标定 | 根据具体业务场景对召回率和准确率的权衡，通过小范围数据集进行调优。 |
重排返回条数 | 前 3–5 条 | 聚焦最相关的结果，减少人工审查负担，提高预筛效率。 |
embeddingModel | text-embedding-ada-002 或领域微调模型 | 兼顾通用语义理解能力与医学领域词汇的专业性，提升向量表示质量。 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 应对大型临床试验报告或不良事件汇总文档的解析时间，防止超时导致索引失败。 |
容易做错的三处
- 在索引构建完成后，查询结果的相关性普遍较低，这可能是由于选用的向量模型未针对生物医药领域的专业术语进行优化，导致语义理解偏差。
- 部分不良事件报告文档长时间处于「索引中」状态，无法完成索引，这通常是因为文档解析超时，尤其对于包含大量图片或复杂表格的 PDF 文件。
- 查询特定药物的不良反应时，召回的条目数量远少于预期，这可能是因为文本分段粒度过大，导致关键信息被稀释在不相关的长文本段中。
怎么确认配好了
- 选取一组包含已知不良事件的测试集，针对关键症状或药物名称进行检索，检查召回结果中是否包含预期文档，并根据业务需求调整
召回条数和相似度阈值。 - 监控索引任务队列，确保大型文档（如超过 10MB 的 PDF）能够正常完成解析和索引，检查
PARSE_FILE_TIMEOUT_SECONDS设置是否足够。 - 使用不同长度和复杂度的医学文本进行分段预览，评估
分段长度参数下关键信息的完整性与独立性，确保每个分段包含有意义的语义单元。
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。