这个品类的数据长什么样
呼吸系统制度数据主要来源于国家卫健委、药监局发布的医疗法规、临床诊疗指南、药品说明书以及各级医院内部制定的操作规程（SOP）。这些数据更新频率相对稳定，国家层面法规通常每年修订一次，药品说明书随上市后研究可能不定期更新，医院SOP则根据实际情况或外部政策变化进行调整。文档结构多样，包括正式的法律文本、表格化的操作步骤、图文并茂的指南手册。字段与单位具有高度专业性，例如药品的剂量单位（mg/kg、IU）、肺功能指标（FEV1、FVC，单位L），以及诊断标准中的数值范围。
这些特征在「知识库检索与召回」这一环带来什么约束
呼吸系统制度数据的专业性和规范性，要求知识库在分段时保持语义完整性，避免将关键的剂量、指标或诊断标准拆散。SOP文档中的步骤序列，对检索结果的上下文连贯性提出高要求，单一的句子召回可能不足以支持完整的操作指引。此外，医疗术语的同义词和近义词较多，例如“哮喘”可能对应“支气管哮喘”，这需要向量模型具备较强的语义理解能力。不同来源文档的更新频率差异，也对知识库的版本管理和增量更新机制提出挑战，需要确保检索结果基于最新有效版本。
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 | 确保法规条文、SOP步骤的语义完整性，避免关键信息被截断。 |
分段重叠长度 | 100–150 字符 | 保证相邻分段间的上下文连续性，提升召回时的语境匹配度。 |
召回条数 | 8–12 条 | 在保证覆盖面的前提下，避免引入过多噪声，影响大模型处理效率。 |
相似度阈值 | 按实测标定 | 医疗专业性高，需要通过小样本测试确定既能召回相关信息又不引入过多无关信息的边界。 |
重排返回条数 | 3–5 条 | 进一步精炼召回结果，将最相关的少量信息提供给大模型。 |
向量模型 | text-embedding-ada-002 或更高版本 | 提升对医疗术语和复杂句式语义的理解能力。 |
容易做错的三处
- 检索结果中缺少关键的剂量或操作步骤，现象是回答不完整或给出错误数值，原因是分段粒度过细，导致完整信息被拆分到不同段落。
- 知识库更新后，模型仍然基于旧版本数据进行回答，现象是回答内容与最新政策或指南不符，原因是没有正确触发知识库的增量更新或重建索引流程。
- 对于包含专业术语的问题，检索结果召回了看似相关但实际语义不符的段落，现象是回答偏离用户意图，原因可能是向量模型对特定医疗术语的理解不足，或相似度阈值设置过低。
怎么确认配好了
- 选取呼吸系统疾病的典型问答对，验证模型回答是否准确引用了知识库中的最新制度或SOP内容。
- 检查知识库分段结果，确认法规条文、SOP步骤等关键信息是否保持了语义完整性，没有被不合理地拆分。
- 通过调整
相似度阈值，观察召回条目的相关性变化，找到既能覆盖相关信息又不引入过多噪声的平衡点。
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。