这个品类的数据长什么样
CSO（Contract Sales Organization，合同销售组织）产品的数据主要来源于制药企业委托销售的产品说明书、临床研究报告、销售培训材料以及市场推广文档。这些数据更新频率相对稳定，通常随产品上市、适应症扩展或法规调整而进行年度或季度更新。文档结构以结构化和半结构化为主，例如产品说明书有固定的章节划分，临床报告包含摘要、方法、结果、讨论等部分。字段与单位具有高度专业性，涉及药品名称、活性成分、适应症、用法用量（如 mg/kg、片/日）、不良反应、禁忌症、药物相互作用等，且常包含特定的医学术语和缩写。
这些特征在「知识库检索与召回」这一环带来什么约束
CSO产品数据的高度专业性和结构化特性，要求知识库检索与召回机制能够精准识别并关联医学术语，避免泛化召回。低频但重要的更新节奏，意味着知识库需要高效的增量更新策略，确保召回内容的实时性与准确性。文档中复杂的用法用量字段，以及多种单位并存的情况，对向量模型的语义理解能力提出挑战，需要模型能区分数字与单位的组合含义。此外，部分半结构化内容可能包含图表或表格，传统文本分段方式可能破坏其上下文完整性，影响召回质量。错误召回可能导致严重的用药风险，因此对召回精确度要求极高。
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 | 兼顾医学术语的上下文完整性与单段信息的密度，避免过长或过短导致语义割裂。 |
分段重叠长度 | 100–150 字符 | 确保相邻分段间的语义衔接，尤其对于包含复杂逻辑或流程的文档。 |
召回条数 | 前 5–8 条 | 考虑到CSO产品问答的精准性要求，召回过多条目可能引入噪声，过少则可能遗漏关键信息。 |
相似度阈值 | 按实测标定 | 需结合具体向量模型和数据集进行测试，确保高相关性召回，并过滤低相关结果。 |
重排返回条数 | 3–5 条 | 对初次召回的结果进行二次排序，进一步提升最相关信息的排名，提高用户体验。 |
向量模型 | text-embedding-ada-002 或具备医学领域理解能力的模型 | 优先选择对专业术语有良好编码能力的模型，确保语义匹配的准确性。 |
容易做错的三处
- 知识库检索结果为空或不相关：常见于未针对医学术语进行预处理，导致向量模型无法正确理解查询与文档间的语义关联。
- 召回内容存在事实性错误：可能由于知识库文档版本未及时更新，或分段策略破坏了关键信息的完整性，导致召回片段上下文缺失。
- 引用数据库原文片段失败：通常因为Function Call返回的数据未被有效整合到RAG流程中，或大模型未被明确指示引用特定数据源的原文。
怎么确认配好了
- 选取典型CSO产品咨询问题，检查知识库召回结果是否包含所有关键信息点，并验证其准确性。
- 模拟产品更新场景，验证知识库增量更新后，对新旧信息的召回是否正常，无版本混淆。
- 测试包含复杂用法用量、特殊医学单位的查询，评估召回结果是否能正确解析并提供相关上下文。
- 使用不同类型的查询，例如疾病名称、药物相互作用等，核对召回片段的专业术语匹配度与语义相关性。
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。