这个品类的数据长什么样
智能导诊系统的数据主要来源于医疗机构内部的规章制度、操作规范（SOP）、科室介绍、疾病诊疗路径等文本资料。这些文档的更新频率相对稳定，通常为季度或年度修订，遇政策变动或新规范发布时会进行临时更新。文档结构多样，包含纯文本、带有图表和流程图的 PDF 文件、以及结构化的 Word 文档。内容通常涉及大量的医学术语、缩略语和专业流程描述。字段方面，可能包含制度编号、发布日期、修订历史、适用范围、具体步骤、职责分工等，单位则涉及时间单位（如“分钟”、“小时”）、数量单位（如“次”、“份”）以及百分比等。
这些特征在「向量模型与索引」这一环带来什么约束
制度与 SOP 文档的更新频率适中，意味着向量索引的重建或增量更新不必过于频繁，但需确保更新机制的可靠性，避免因旧数据导致误导。文档结构多样性要求索引系统具备强大的文档解析能力，能够有效提取不同格式文件中的文本内容，并处理表格、流程图等非文本信息。大量的医学术语和缩略语对向量模型的语义理解能力提出较高要求，模型需能准确捕捉这些专业词汇的含义和上下文关系，避免因词汇歧义影响召回质量。此外，制度文档的层级性和逻辑严谨性，要求分段策略不能割裂重要的逻辑单元，例如一个完整的操作步骤或一项制度条款，以保证召回内容的完整性与可读性。
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 | 制度与 SOP 文档通常包含逻辑严密的段落，此长度有助于保持单个逻辑单元的完整性，避免关键信息被切断。 |
分段重叠长度 | 50–80 字符 | 适当的重叠有助于模型在段落边界处建立上下文联系，提高段落检索的连贯性，尤其在跨段落查询时。 |
召回条数 | 前 5–8 条 | 考虑到制度问答的精确性要求，召回较多条目有助于覆盖可能的相关信息，以便后续重排或大语言模型进行综合判断，但过多会增加处理负担。 |
相似度阈值 | 按实测标定 | 需要根据实际测试结果调整，目标是平衡召回率与准确率。过低可能引入不相关内容，过高可能遗漏有效信息。 |
重排返回条数 | 前 3 条 | 经过重排后，通常前几条结果的质量最高，足以支撑大语言模型生成准确回复。 |
embedding_model_name | doubao-embedding-large 或 bge-large-zh-v1.5 | 针对中文医学专业文本，选择具备强大中文理解能力和较长上下文窗口的预训练向量模型，能够更好地处理专业术语和复杂句式。 |
容易做错的三处
- 启用
doubao-embedding-large索引模型后，点击测试直接报错，显示“请求地址或 API Key 无效”。这通常是由于自定义请求地址填写有误或API Key过期、权限不足导致。 - 智能导诊结果常出现与用户问题不完全相关的内容。这可能是因为
相似度阈值设置过低，导致召回了语义上距离较远但词汇相似的文档片段。 - 更新制度文档后，智能导诊仍然给出旧版信息。这表明索引更新机制未被正确触发或索引重建失败，导致系统仍然使用过时的向量数据进行召回。
怎么确认配好了
- 上传一批包含常见导诊问题答案的制度文档，使用测试功能，验证是否能正确解析文件内容并生成向量。
- 针对典型问答场景进行多次测试，评估召回结果的
相似度分数是否合理，以及前召回条数内是否包含正确答案。 - 定期更新部分制度文档，并检查更新后的索引是否能正确反映最新内容，例如通过提问涉及新旧制度差异的问题来验证。
- 监控系统日志，确认
embedding_model_name的调用成功率和响应时间，确保向量模型服务稳定可用。
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。