这个品类的数据长什么样
生物医药行业的招标挂网产品数据主要来源于各省市药品集中采购平台、医疗器械采购平台以及医院内部采购系统。这些数据更新频率较高，通常每周或每月都有新产品挂网、价格调整或状态变更。文档结构以结构化或半结构化数据为主，例如 Excel 表格、XML 文件或网页抓取结果。核心字段包括产品名称、通用名、生产企业、规格型号、挂网价格、注册证号、医保编码、采购批次、有效期等。价格字段会包含多种单位，如“元/盒”、“元/支”、“元/片”等，规格型号字段往往包含复杂的中英文混合描述和特殊字符。
这些特征在「向量模型与索引」这一环带来什么约束
高频更新要求向量索引具备高效的增量更新能力，避免全量重建耗时过长。结构化和半结构化数据混合的特点，对文本预处理和字段选择提出了挑战，需要准确提取关键信息进行向量化，同时处理好非结构化描述中的噪音。产品名称、规格型号等字段的复杂性和多样性，使得单纯基于词法匹配的召回效果不佳，需要向量模型捕捉语义相似性。多单位的价格字段要求在查询时能够进行单位归一化或智能匹配，以确保价格咨询的准确性。注册证号、医保编码等精确匹配字段需要单独处理，不宜完全依赖向量相似度。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 300–500 字符 | 确保关键信息在同一分段内，平衡上下文完整性与向量模型处理能力 |
分段重叠长度 | 50 字符 | 增加上下文连续性，提升跨分段信息召回的准确性 |
embedding_model | text-embedding-ada-002 或本地模型 | 兼顾模型性能与部署成本，本地模型可选用 bge-large-zh-v1.5 等 |
向量数据库类型 | PostgreSQL + pgvector | 兼顾易用性、社区支持及对结构化数据的良好兼容性，支持高效的近似最近邻搜索 |
召回条数 | 10–20 条 | 初步召回足够多的相关文档片段，为后续重排提供丰富候选集 |
相似度阈值 | 0.7–0.8 | 筛选出与查询语义高度相关的结果，减少噪音，具体值需根据实际数据和模型进行标定 |
容易做错的三处
- 知识库长时间处于索引状态，界面显示“正在索引中”，原因可能是文档解析超时或向量模型调用失败导致的任务堆积。
- 查询结果中，产品名称、规格型号匹配度不高，出现不相关的产品信息，原因可能是文本预处理不足，未能有效提取核心字段进行向量化。
- API 调用返回 HTTP 503 错误码，提示“当前分组 default 下对于模型 text-embedding”，这通常意味着所配置的
embedding_model接口服务不可用或访问权限存在问题。
怎么确认配好了
- 上传一份包含多个产品信息的招标挂网文档，检查知识库状态是否最终显示为“已完成索引”，且索引耗时在可接受范围内。
- 使用一份包含不同产品名称、规格和价格的查询语句，观察返回的召回结果中，产品名称、挂网价格等核心字段是否准确且与查询高度相关。
- 通过 FastGPT 后台的“数据管理”或“知识库详情”页面，查看向量索引的数量是否与上传的文档分段数量大致匹配，并检查
embedding_model的调用日志，确认无异常报错。
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。