这个品类的数据长什么样
IVD 诊断试剂的制度与 SOP 文档主要来源于国家药监局发布的法规、指导原则，以及企业内部质量管理体系文件。这些文档通常以 PDF、Word 或扫描件形式存在。更新频率方面，国家法规和指导原则通常是每年或每数年更新，企业内部 SOP 则可能根据产品迭代或质量体系审核要求进行季度或半年修订。文档结构上，法规文件通常包含章节、条款、附件，SOP 则有目的、范围、职责、操作步骤、记录表格等固定模块。字段与单位方面，常涉及批次号、有效期、储存条件（温度、湿度）、检测限、准确度、精密度、特异性等，单位涵盖摄氏度（℃）、百分比（%）、摩尔（mol）、毫升（mL）等。
这些特征在「向量模型与索引」这一环带来什么约束
IVD 诊断试剂制度文档的更新频率决定了向量索引的重建或增量更新策略。法规文件的低更新频率意味着可以采用周期性全量重建，而企业内部 SOP 的较高更新频率则需要支持高效的增量索引能力。文档结构中的固定模块（如 SOP 的“操作步骤”）要求在切分时保持语义完整性，避免关键步骤被不当分割。PDF 和扫描件的存在对文本提取的准确性提出了高要求，OCR 质量直接影响后续向量化效果。字段与单位的复杂性，特别是存在大量专业术语和数值，要求向量模型能够捕捉这些细微的语义差异，并且在召回时能准确识别并匹配用户查询中提及的具体参数和阈值。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 500-800 字符 | 兼顾 SOP 操作步骤的完整性与法规条款的语义关联，避免过小切分导致上下文丢失，过大则引入无关信息。 |
overlap_size | 100-150 字符 | 确保上下文连续性，尤其在跨段落或跨章节查询时，提高召回片段的语义完整性。 |
embedding_model | text-embedding-ada-002 或兼容模型 | 广泛验证的通用嵌入模型，对专业术语和复杂句式有较好的理解能力，可捕获 IVD 领域特有语义。 |
max_tokens | 8192 | 适应法规文件和复杂 SOP 中可能出现的长段落，确保能够处理较长文本输入。 |
recall_top_k | 5-8 条 | 平衡召回范围与相关性，在初次检索时提供足够多潜在相关结果，为后续重排提供选择。 |
min_similarity | 按实测标定（建议 0.75-0.85） | 结合具体数据集和模型表现，通过测试确定阈值，以过滤低相关度结果，保证召回质量。 |
容易做错的三处
- 索引长时间无进展：这通常是由于
embedding_model配置不正确或访问受限，导致文本无法成功调用嵌入服务进行向量化。 - 查询结果相关性差或缺失关键信息：可能原因在于
chunk_size设置过小，导致重要的 IVD 操作步骤或法规条款被分割成无意义的片段，失去了完整的语义。 - 大量扫描件文档文本提取失败或错误：这往往是由于未集成高质量的 OCR 服务，或者 OCR 服务对 IVD 诊断试剂文档中常见的表格、图注、特殊符号识别能力不足。
怎么确认配好了
- 上传并索引一份典型的 IVD 诊断试剂 SOP 文档，检查知识库索引状态是否显示“完成”，且无明显错误日志。
- 选择 SOP 中一段包含关键操作步骤或参数的文本进行查询，观察召回结果是否包含该操作步骤的完整描述。
- 针对法规文件中的特定条款编号或定义进行查询，验证系统是否能准确召回对应的法规原文片段，并检查
min_similarity值。 - 上传一份包含复杂表格和图注的 IVD 指导原则扫描件，检查文本提取结果是否完整且无乱码，并验证索引后的查询效果。
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。