这个品类的数据长什么样
眼科领域的制度与SOP（标准操作流程）文档主要来源于医疗机构内部的管理规章、临床路径、操作指南、设备使用手册、药品管理规定等。这些文档更新频率相对稳定，通常在年度评审或政策法规调整时进行修订。文档结构以层级分明、条理清晰的文本为主，多包含标题、章节、条款、图表、流程图等元素。字段与单位方面，常涉及诊断名称、治疗方案、药物剂量（如 mg/kg、ml）、器械型号、操作步骤编号、时间周期（如 小时、天）、安全指标阈值等。部分文档还会包含医学术语的缩写或专业代码。
这些特征在「向量模型与索引」这一环带来什么约束
眼科制度文档的层级结构和专业术语密度，要求向量模型能有效捕捉文本的语义关联性和上下文依赖。文档中精确的剂量、时间等数值信息，意味着简单的词袋模型或浅层向量模型可能不足以区分细微差异，需要更深层的语义理解能力。更新频率适中，但修订通常涉及局部条款，要求索引更新机制能支持增量更新，避免全量重建的资源消耗。此外，文档内嵌的图表和流程图，虽然目前难以直接向量化，但其周围的文本描述往往是关键信息，需要分段策略能兼顾文本与非文本元素的关联性。对缩写和专业代码的识别与扩展，是提升检索准确度的关键。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunkSize | 500–800 字符 | 平衡了语义完整性和检索效率，避免过长切片稀释关键信息，过短切片丢失上下文。 |
overlapSize | 50–100 字符 | 确保相邻切片间的语义连续性，尤其在跨段落检索时。 |
embeddingModel | text-embedding-ada-002 或 text-embedding-v3-large | 具备较强的语义理解能力，能处理专业医学术语和复杂句式。 |
recallCount | 5–8 条 | 保证召回足够多的相关文档片段，同时控制重排和后续处理的计算量。 |
rerankModel | 按实测标定 | 根据实际召回效果与业务需求，选择能有效提升排序准确性的模型。 |
similarityThreshold | 0.75–0.85 | 过滤低相关性结果，减少噪音，具体数值需结合实际数据调优。 |
容易做错的三处
- 现象：检索结果中包含大量不相关的文档片段，语义检索分数很高。原因：分段策略不合理，导致单个片段过长或语义不聚焦，向量模型难以准确捕捉核心含义。
- 现象：在建立知识库时，选择非预期的嵌入模型时系统报错，提示
undefined model must match "^(text..."。原因：配置的嵌入模型名称与平台支持的模型列表不符，或模型接口未正确集成。 - 现象：辅助数据（如文档标题、章节名）未能有效提升检索准确度。原因：辅助数据未被正确向量化或未与主文档内容建立有效的索引关联，导致检索时未能发挥其指引作用。
怎么确认配好了
- 选取一批具有代表性的眼科制度问答对，进行模拟检索，检查召回结果的相关性与完整性，并记录召回的文档片段。
- 评估不同
similarityThreshold下的查准率和查全率，选择能平衡精确度和覆盖率的阈值，确保关键信息不被遗漏。 - 监控知识库的增量更新过程，确认新录入或修订的文档能够被正确分段、向量化并索引，且不影响已有知识的检索效果。
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。