皮肤科产品的向量模型与索引

这个品类的数据长什么样

皮肤科产品的数据来源多样，主要包括药品说明书、临床研究报告、产品成分分析、用户反馈以及行业法规文件。这些数据更新频率不一，药品说明书和法规文件相对稳定，而临床研究和用户反馈则可能每周甚至每天都有增量。文档结构上，说明书通常是结构化的文本，包含适应症、用法用量、不良反应等固定字段。临床报告则以非结构化或半结构化为主，涉及方法、结果、讨论等章节。产品成分数据常以表格形式出现，包含成分名称、CAS号、浓度等字段。单位方面，剂量常用毫克 (mg)、克 (g) 或毫升 (ml)，浓度常用百分比 (%) 或 ppm，时间单位为天、周、月。

这些特征在「向量模型与索引」这一环带来什么约束

数据来源的多样性要求向量模型能有效处理不同格式和结构的信息，避免单一模型对特定数据源的偏好。更新频率的差异意味着需要建立增量索引机制，确保新发布的研究成果或用户反馈能够及时被检索。药品说明书的结构化特点决定了其文本分块可以更精细地围绕特定字段进行，例如将“不良反应”单独分块。临床报告的非结构化特性则需要更灵活的分块策略，例如按段落或语义单元进行。成分数据的表格结构，在转换为向量时，需考虑如何保留字段间的关联性，避免简单拼接导致信息丢失。此外，皮肤科领域特有的医学术语和产品名称，要求基础模型具备较强的领域理解能力，以生成高质量的嵌入向量。

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`	兼顾语义完整性和向量模型处理能力，避免过长文本稀释关键信息或过短文本丢失上下文。
`分段重叠`	`100-200 字符`	确保跨分段的语义连接，尤其在描述产品功效或不良反应时，避免关键信息被切割。
`召回条数`	`前 5-8 条`	覆盖用户可能关注的多个方面，如适应症、成分、副作用，提高信息召回率。
`相似度阈值`	`按实测标定`	需根据具体数据集和查询类型，通过测试迭代确定，平衡召回准确率和召回数量。
`重排返回条数`	`前 3-5 条`	在初次召回的基础上，利用更复杂的重排模型提升最终呈现给用户的相关性。
`maxContext`	`3000-4000 字符`	匹配主流大语言模型上下文窗口限制，确保召回内容能完整送入模型进行理解。

容易做错的三处

知识库构建后，查询特定产品成分时结果为空或不完整。这通常是由于表格数据未进行有效预处理，导致成分名称、CAS号等关键字段在分块时被错误拆分或丢失上下文。
用户咨询药品不良反应时，得到的RAG结果包含无关信息。原因是分段长度过大，将不良反应与其他不相关段落混淆，导致向量表征不精确。
上传大型临床研究报告后，知识库构建过程超时。可能缘于 PARSE_FILE_TIMEOUT_SECONDS 参数设置过低，未能给大文件足够的处理时间。

怎么确认配好了

针对不同类型的数据（说明书、临床报告、成分表），随机抽取样本进行查询，检查召回结果是否包含关键信息且上下文连贯。
使用包含特定医学术语和产品名称的查询，观察召回的文档片段是否准确指向相关内容，并核对 相似度阈值 对结果筛选的影响。
模拟高并发查询场景，监控 分段长度 和 召回条数 对系统响应时间和资源消耗的影响，确保性能符合预期。

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。