这个品类的数据长什么样
I 期临床试验产品的知识数据主要来源于临床试验方案、研究者手册、伦理审批文件、CRO 公司提供的试验报告、药代动力学（PK）和药效学（PD）数据、不良事件（AE）记录等。数据更新频率相对较低，通常在试验阶段性报告完成后进行集中更新，例如在完成剂量爬坡或队列扩增后。文档结构以结构化和半结构化数据为主，包含大量的文字描述、表格、图谱和统计数据。关键字段包括药物代号、适应症、给药方案、受试者入组/排除标准、PK/PD 参数（如 Cmax、Tmax、AUC）、不良事件分类（如 MedDRA 编码）、剂量水平、研究中心信息等。单位多为国际单位制，如 ng/mL、h、mg/kg、次/天。
这些特征在「知识库检索与召回」这一环带来什么约束
I 期临床数据更新频率低，意味着知识库的索引重建或增量更新不必过于频繁，可以降低系统资源消耗。其高度结构化的数据特性，要求在数据预处理阶段能有效解析表格和图谱中的信息，并将其转化为可供向量化的文本或结构化数据。大量的专业术语和缩写（如 MedDRA 编码）对嵌入模型的领域适配性提出要求，通用模型可能无法准确理解其语义关联。PK/PD 参数等数值型数据在检索时需要支持范围查询或数值比较，单一的语义相似度检索可能不足以满足需求。不良事件记录中包含的非结构化描述，则需要强大的自然语言处理能力来提取关键信息，并与结构化分类进行关联。
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 | 确保单个段落包含足够上下文信息，同时避免过长导致向量化效率降低和检索噪音增加 |
重叠长度 | 50–100 字符 | 保证分段之间的语义连贯性，避免关键信息被切割 |
召回条数 | 8–12 条 | 在保证覆盖度的前提下，减少后续重排和 LLM 处理的负载，兼顾复杂查询 |
相似度阈值 | 按实测标定 | 根据 I 期临床专业术语的嵌入效果，通过测试集调整，确保高相关性召回，初始可设 0.75 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型 PDF 格式的研究报告和试验方案，避免解析超时 |
ENABLE_TABLE_EXTRACTION | true | 确保表格数据能被有效识别和提取，支持对 PK/PD 参数表的查询 |
容易做错的三处
- 上传大型 PDF 格式的临床试验方案时，系统提示“文件处理失败”或“超时”。这是因为
PARSE_FILE_TIMEOUT_SECONDS参数设置过小，未能给 PDF 解析和文本提取留出足够时间。 - 检索特定药物的 PK/PD 参数时，结果中缺少相关数值或单位错误。这通常是由于数据预处理阶段未能正确识别和提取表格中的数值字段及其单位，导致向量化时丢失了关键信息。
- 对话 Agent 无法准确回答关于不良事件严重程度或发生频率的问题，即使知识库中包含相关数据。问题可能在于嵌入模型未能充分理解 MedDRA 编码与自然语言描述之间的语义关联，或
相似度阈值过高导致相关但表述不完全一致的文档被过滤。
怎么确认配好了
- 选择一份包含复杂表格和图谱的 I 期临床研究报告，上传至知识库，检查是否所有段落和表格内容都被正确解析和分段。
- 针对一份包含具体 PK/PD 数值的文档，构造查询，例如“药物代号 XXX 的 Cmax 是多少”，观察召回结果是否包含准确的数值和单位。
- 使用一系列包含专业术语和缩写的查询，例如“不良事件 MedDRA 编码 10000000 的定义”，检查召回的文档是否与查询高度相关，并且语义理解无误。
- 模拟用户查询，如“药物代号 YYY 的主要不良事件有哪些”，检查召回结果是否全面且准确地反映了知识库中的不良事件记录。
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。