这个品类的数据长什么样
呼吸系统产品的数据主要来源于药品说明书、临床试验报告、学术文献、产品手册、以及法规文件。这些文档的更新频率受产品生命周期、临床研究进展和监管政策调整影响，通常是季度或年度更新，但新药上市或适应症扩展时可能出现高频更新。文档结构上，说明书和手册多为结构化的 PDF 或 Word 文件，包含适应症、用法用量、不良反应、禁忌等固定字段。临床试验报告则更偏向半结构化，涉及大量实验数据、统计结果和研究者评论。字段方面，剂量单位常见毫克（mg）、微克（μg）、毫升（ml），频率单位如每日（qd）、每周（qw），还涉及疾病编码（如 ICD-10）、基因位点信息等专业术语。
这些特征在「向量模型与索引」这一环带来什么约束
呼吸系统产品数据中存在大量专业术语、缩写和数值范围，这对向量模型的语义理解能力提出较高要求。例如，相似的药品名称可能对应不同的剂型或适应症，需模型能区分细微差别。临床试验报告的半结构化特性，意味着需要更灵活的文本切分策略，避免关键数据被割裂。高频更新的文档，特别是涉及新适应症或不良反应的说明书，要求索引能够快速响应增量更新，确保召回信息的时效性。此外，剂量、频率等数值型信息在文本中以自然语言形式存在，需要向量模型能捕捉其内在含义，以便在查询“每日一次的吸入剂”时，能正确匹配到相关产品。
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 | 平衡上下文完整性与向量模型处理效率，适应专业术语密度 |
重叠长度 | 100 字符 | 确保段落间上下文连续，减少切分造成的语义丢失 |
embedding_model | text-embedding-ada-002 或更高版本 | 应对专业术语和复杂句式，提高语义理解准确性 |
召回条数 | 前 8–12 条 | 覆盖更多潜在相关信息，适应多维度查询需求 |
相似度阈值 | 0.75–0.85 | 平衡召回率与准确率，避免无关信息干扰 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 应对大型临床试验报告和复杂 PDF 文件的解析时间 |
容易做错的三处
- 知识库索引构建失败，状态显示为“处理中”或“失败”。原因可能是文件解析超时，尤其对于包含大量图片或复杂表格的 PDF 文件。
- 查询结果中未能召回相关药品的剂量或用法信息。原因在于分段策略不当，导致关键的数值型信息被切分到不同的段落，向量模型难以建立关联。
- 接入 OneAPI embedding 模型时出现认证错误或连接超时。原因通常是
OPENAI_API_KEY配置不正确，或者 OneAPI 服务地址OPENAI_BASE_URL无法访问。
怎么确认配好了
- 上传典型文档（如呼吸系统药物说明书、临床研究摘要），检查索引状态是否显示“成功”，并验证是否可在后台预览到正确分段后的文本内容。
- 针对特定产品进行查询，例如“哮喘吸入剂每日剂量”，检查召回结果是否包含正确的药物名称、剂量单位和用法频率，并通过调整
相似度阈值观察结果变化，以确定合适的阈值范围。 - 使用包含专业术语、疾病编码的查询，验证是否能准确匹配到相关文献段落，并检查
召回条数配置下，返回结果的丰富度是否满足需求。
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。