这个品类的数据长什么样
实体瘤产品的数据来源多样，主要包括临床试验报告、药物研发文档、学术论文、专利信息和监管审批材料。这些数据更新频率不一，临床试验报告和学术论文通常季度或半年更新，而专利和监管信息则可能月度更新。文档结构上，多数为非结构化文本，例如PDF格式的医学报告和Word文档中的研究进展，也包含少量结构化的表格数据，如临床数据汇总。字段涉及肿瘤类型、治疗方案、药物靶点、分子标志物、药代动力学参数、不良事件发生率等。单位常见于计量学、生物学和医学领域，例如毫克（mg）、毫升（mL）、纳摩尔（nM）、百分比（%）、摩尔（M）以及各类生物活性单位。
这些特征在「向量模型与索引」这一环带来什么约束
实体瘤产品数据的高度专业性和非结构化特性，对向量模型和索引提出了特定要求。首先，数据中包含大量医学术语、缩写和复杂的生物化学概念，通用向量模型可能难以准确捕捉其语义关联。其次，文档通常篇幅较长，且关键信息分散，例如某个临床数据可能嵌入在数十页的报告中，这要求分段策略需要兼顾上下文完整性与片段长度，避免关键信息被截断或稀释。再次，数据更新频率的差异性，意味着向量索引需要支持增量更新或高效的全量重建，以确保知识库的时效性。最后，涉及的字段和单位多样，在向量化时需关注数字和单位组合的表示，避免将其视为普通文本，从而丢失数值的量化信息。
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 | 实体瘤文档上下文关联度高，长分段有助于保留语义完整性，避免关键医学概念被割裂。 |
分段重叠长度 | 100–200 字符 | 确保跨段落信息的连续性，利于模型理解上下文连接。 |
embedding_model | 选用具备医学领域预训练能力的模型 | 提升对医学术语和生物学概念的理解精度。 |
索引类型 | HNSW | 在高维向量空间中提供较好的检索速度与准确率平衡。 |
召回条数 | 前 10–15 条 | 实体瘤咨询往往需要多方面信息支撑，增加召回量可覆盖更多相关细节。 |
相似度阈值 | 按实测标定，通常 0.75–0.85 区间 | 避免召回不相关内容，同时保证有效信息的覆盖。 |
容易做错的三处
- 知识库上传PDF后，长时间处于“索引中”状态，原因常是文档体积过大或包含复杂图表，导致
PARSE_FILE_TIMEOUT_SECONDS设置过短。 - 向量计算得分出现异常值或分数一致，通常源于
embedding_model未正确加载或配置，导致向量输出为固定值。 - 导入大规模CSV文件后，数据总量少于原始行数，原因可能在于CSV文件编码问题或某些行数据格式不符合预期，导致
CSV_PARSING_ERROR被跳过。
怎么确认配好了
- 上传一个典型的实体瘤临床试验报告PDF，观察其索引状态，确认
PARSE_FILE_TIMEOUT_SECONDS设置能覆盖其处理时间。 - 选取报告中包含特定药物靶点的段落，通过检索功能验证是否能准确召回相关信息，并检查召回内容的语义相关性。
- 使用包含医学术语和数值单位的查询，评估返回结果的相似度得分分布，确认
embedding_model能区分不同概念。 - 导入一个包含多种数据类型的实体瘤研究数据集，检查最终索引的数据总量是否与原始数据量一致，核实没有数据丢失。
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。