这个品类的数据长什么样
血液肿瘤临床试验预筛的数据主要来源于医学文献（如 PubMed、ASCO 会议摘要）、临床试验注册库（如 ClinicalTrials.gov）、电子病历（EHR）中的结构化与非结构化数据，以及基因组学和蛋白质组学报告。数据更新频率较高，新发表的文献和进行的试验会持续补充信息。文档结构通常包含标题、摘要、引言、方法、结果、讨论等标准医学论文格式，或临床试验方案中的详细入组/排除标准、治疗方案、终点指标等。字段与单位具有高度专业性，例如“完全缓解（CR）”、“部分缓解（PR）”、“微小残留病（MRD）检测阳性”、“染色体核型异常 t(9;22)”等，涉及疾病分期、基因突变类型、治疗药物剂量（如 mg/kg）、疗程（如 周期）等。
这些特征在「向量模型与索引」这一环带来什么约束
血液肿瘤数据的专业性和高更新频率对向量模型与索引提出了特定要求。首先，专业术语和缩写众多，需要向量模型具备强大的语义理解能力，能够区分相似词汇在不同上下文中的确切含义，例如区分“AML”是急性髓系白血病还是其他缩写。高频更新要求索引系统具备高效的增量更新机制，确保最新试验数据和研究进展能够及时纳入知识库，避免信息滞后。文档结构复杂，包含大量表格、图谱描述和非结构化文本，需要细粒度的文本切分策略，确保关键信息单元的完整性。此外，疾病分期、基因突变、治疗方案等关键字段的精确匹配对于预筛结果至关重要，要求向量检索不仅依赖语义相似性，也能结合关键词或实体识别进行强化。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500–700 字符 | 临床试验文档和医学文献往往包含密集的信息块，此长度有助于保持上下文完整性，避免关键信息被切分。 |
分段重叠 | 50–100 字符 | 确保段落之间有足够的重叠，以捕捉跨段落的语义关联，尤其在处理入组/排除标准这类条目式描述时。 |
召回条数 | 10–20 条 | 血液肿瘤试验的入组条件通常复杂且多维度，增加召回条数可提高覆盖面，避免遗漏潜在符合的患者信息。 |
相似度阈值 | 按实测标定 | 需根据具体数据集的语义分布和业务需求，通过小批量标注数据进行迭代测试，确保召回精度与召回率平衡。 |
重排返回条数 | 5–8 条 | 临床预筛最终需要精确匹配少量核心条件，重排有助于将最相关的结果提升到前端，方便人工审核。 |
maxContext | 3000–4000 token | 鉴于血液肿瘤报告的详细性，较大的上下文窗口能更好地支持模型理解复杂的医学描述和多条件判断。 |
容易做错的三处
- 现象：检索结果中出现大量与查询主题不符的文档片段。原因：
分段长度设置过长，导致单个向量包含过多无关信息，稀释了核心语义。 - 现象：新发布的临床试验信息无法被及时检索到。原因：知识库的增量更新机制未有效配置或执行，导致索引未同步最新数据。
- 现象：特定基因突变或药物名称的精确匹配失效。原因：向量模型未经过特定领域词汇的精调，对专业术语的嵌入表示不够准确，导致语义泛化不足。
怎么确认配好了
- 选取一批具有代表性的血液肿瘤临床试验查询语句，检查召回结果中是否包含所有已知相关的文档片段。
- 对比知识库中最新数据与实际检索结果，核实新增的文献和试验是否能在合理时间内被索引并召回。
- 针对一组已知入组/排除条件的患者信息，模拟查询，验证返回结果是否能准确匹配或排除这些患者，并根据业务需求调整
相似度阈值。 - 检查FastGPT后台的知识库状态，确认是否存在索引失败或更新延迟的警告信息。
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。