这个品类的数据长什么样
药物警戒（Pharmacovigilance）临床试验预筛的数据主要来源于临床研究方案（Protocol）、研究者手册（Investigator's Brochure, IB）、病例报告表（Case Report Form, CRF）以及相关的法规指南（如 ICH-GCP）。这些文档多为 PDF 或 Word 格式，包含大量非结构化文本，其中涉及药物作用机制、不良事件（Adverse Events, AE）、严重不良事件（Serious Adverse Events, SAE）的定义与处理流程、排除与纳入标准、受试者特征等。数据更新频率较高，尤其在多中心、多阶段临床试验中，方案修订和安全性报告会定期发布。字段与单位具有高度专业性，例如剂量单位（mg/kg）、时间单位（天、周）、实验室指标（U/L、mmol/L）等，且常伴有医学术语缩写。
这些特征在「知识库检索与召回」这一环带来什么约束
药物警戒数据的高度专业性和非结构化特性，对知识库的文本分段策略提出了挑战。单一的长文本块可能包含多个关键信息点，过短的分段易导致上下文丢失，过长的分段则可能稀释核心信息。频繁的更新要求知识库具备高效的增量更新机制，以确保检索结果的时效性。多样的文档格式和复杂的表格、图表内容，使得传统文本提取方式可能遗漏关键信息，需要更强的文档解析能力。此外，高度专业化的医学术语和缩写，要求检索模型能理解其语义，避免因词汇不匹配导致的召回失败。对剂量、时间等数值信息的精确匹配与范围检索能力，也是保障预筛准确性的关键。
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 | 平衡上下文完整性与信息密度，适应临床文档的段落结构。 |
分段重叠 | 200 字符 | 确保跨段落的关键信息能够被有效关联和召回。 |
召回条数 | 前 8–12 条 | 增加潜在相关结果的覆盖面，应对医学术语多样性。 |
相似度阈值 | 0.78–0.85 | 在保证召回相关性的前提下，适当放宽以捕获更多潜在关联。 |
重排返回条数 | 5 条 | 精选最相关的结果，提高最终呈现给工程师的效率。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 适应大型 PDF 文档解析需求，避免因超时导致文件处理失败。 |
容易做错的三处
- 构建知识库时
xlsx文件内容识别失败，导致问答对无法生成。这通常是由于xlsx文件结构复杂，包含合并单元格或图片，导致解析器未能正确识别数据区域。 - 检索结果中出现大量不相关或低质量的内容，导致预筛效率低下。这是由于
相似度阈值设置过低，或者文本分段策略不合理，引入了过多噪声。 - 知识库更新后，部分新数据未被检索到，或者检索结果仍然是旧版本信息。这可能与知识库的增量更新机制未被正确触发或索引重建延迟有关。
怎么确认配好了
- 选取包含不同数据类型（如纯文本、表格、图表说明）的临床文档，上传并观察知识库索引状态，确认所有文档均成功解析并入库。
- 针对特定药物的不良事件、剂量范围等关键信息，构造典型查询语句，检查
召回条数和重排返回条数是否能返回预期的高相关性结果，并评估其上下文完整性。 - 模拟临床试验方案修订或安全性报告更新场景，进行知识库增量更新操作，随后立即进行查询，核对检索结果是否反映了最新的数据版本。
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。