这个品类的数据长什么样
感染性疾病领域的制度与SOP（标准操作规程）数据主要来源于国家卫健委、疾控中心发布的规章制度、诊疗指南、防控方案，以及各级医疗机构内部制定的感染控制手册、应急预案、操作细则。这些文档更新频率通常为每年一次或根据疫情变化临时修订。文档结构以PDF、Word格式为主，包含大量专业术语、医学缩略语、药品名称、病原体名称。字段与单位的特殊之处在于，常常涉及生物安全等级（如BSL-2、BSL-3）、微生物培养时间（如小时、天）、药物浓度（如mg/L、μg/mL）、隔离时间（如天、周）以及各种诊断指标的阈值。
这些特征在「向量模型与索引」这一环带来什么约束
感染性疾病制度文档的专业性与高密度信息对向量模型的语义理解能力提出了更高要求，通用模型可能难以准确捕捉医学术语的深层含义。更新频率适中但临时修订的可能，要求索引系统具备高效的增量更新和版本管理能力。PDF和Word格式中嵌套的表格、图片和复杂的排版，使得文本提取和分段面临挑战，可能导致关键信息丢失或上下文割裂。同时，文档中包含的生物安全等级、药物剂量等量化信息，需要在向量化时保持其数值或区间语义，避免单纯的词袋模型丢失这些关键决策依据。这要求向量模型能区分相似但语义不同的专业词汇，并对特定数值范围有感知。
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 | 兼顾上下文完整性与向量模型处理效率，避免超长分段稀释关键信息。 |
召回条数 | 前 5–8 条 | 确保覆盖相关制度条款，同时控制检索负担，避免无关结果干扰。 |
相似度阈值 | 按实测标定 | 需要根据实际问答效果，结合精确率与召回率平衡调整，通常为 0.7–0.85。 |
重排返回条数 | 3 条 | 在召回结果中进一步精选最相关的片段，优化最终答案质量。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型PDF或Word文件，特别是包含复杂表格和图表的文档。 |
Embedding 模型 | BGE-M3 或 text-embedding-ada-002 | 适应医学专业术语和长文本理解，国产模型优先考虑。 |
容易做错的三处
- 现象：系统返回的答案中，关键的药物剂量或隔离时间数值错误或缺失。原因：文档解析时，表格内数值或带有单位的短语被错误地分割或忽略，导致向量化时语义不完整。
- 现象：查询特定疾病的SOP时，返回了不相关的通用感染控制指南。原因：向量模型对专业术语的区分度不足，将含义相近但应用场景不同的文档片段视为高度相似。
- 现象：新发布的政策文件内容无法被检索到，或检索结果长时间停留在旧版本。原因：索引更新机制未及时触发或增量更新配置不当，导致向量库与最新文档不同步。
怎么确认配好了
- 选取一批包含专业术语、数值单位和复杂句式的测试问题，检验模型能否准确召回相关文档片段，并关注召回片段的完整性。
- 针对近期发布的制度或修订的SOP，进行针对性提问，确认系统能够检索到最新的内容，并通过对比验证信息的时效性。
- 随机抽取文档中的关键数值信息，如生物安全等级、药物浓度，构造问答，验证系统能否给出精确的数值或范围，并核对与原文的一致性。
- 通过 FastGPT 后台的“知识库管理”界面，检查新增或更新的文档是否已成功分段并生成向量，并观察分段内容是否合理。
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。