这个品类的数据长什么样
药物警戒制度的数据主要来源于药品生产企业、医疗机构、患者及监管部门提交的不良事件报告、药品说明书、风险管理计划、上市后研究报告、药物警戒体系文件（如SOP、指南）以及相关法律法规。这些数据更新频率不一，不良事件报告可能持续产生，而SOP和法规更新周期相对较长。文档结构多样，包括结构化报告（如XML格式的E2B文件）、半结构化文本（如SOP、指南）和非结构化文本（如患者描述）。核心字段包括药品名称、批号、不良事件描述、报告者信息、事件发生时间、处置措施、结局等。单位涉及剂量（mg、g）、频率（次/日）、时间（日、月、年）等。
这些特征在「向量模型与索引」这一环带来什么约束
药物警戒数据的多源异构性，使得在向量化处理前需要进行严格的标准化和清洗。特别是半结构化和非结构化文档，需要更精细的文本分块策略，以确保语义完整性。不良事件描述中常包含大量医学术语、缩写和口语化表达，对预训练模型的领域适应性提出要求。制度文件的长文本特性，可能导致单个分块过长而稀释核心信息，或分块过短而丢失上下文。更新频率的不一致性要求索引具备增量更新能力，避免频繁全量重建。此外，报告中的敏感信息（如患者身份）需在向量化前进行脱敏，避免泄露风险。字段单位的识别和归一化处理，对于确保检索的准确性和可比性至关重要。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 500–800 字符 | 平衡分块完整性和检索效率，适应多种文档结构 |
overlap_size | 50–100 字符 | 确保分块间语义连续性，避免上下文丢失 |
embedding_model | dengcao/Qwen3-Embedding-8B | 针对中文医学领域优化，能更好理解专业术语 |
similarity_threshold | 按实测标定 | 依据召回精度和召回率曲线，确保相关性 |
recall_top_k | 前 10 条 | 保证足够的召回范围，覆盖潜在相关信息 |
rerank_model | dengcao/Qwen3-Rerank | 提升召回文档的排序质量，过滤低相关度结果 |
容易做错的三处
- 分块后语义破碎，表现为检索结果无法提供完整答案，原因在于
chunk_size设置过小或未考虑文档的段落结构。 - 检索结果中出现大量无关信息，原因在于
similarity_threshold设置过低，导致召回了与查询相关性不高的分块。 - 索引更新耗时过长，表现为每次新增文档都需长时间等待，原因在于未配置增量索引策略，或者文档处理流程中存在瓶颈。
怎么确认配好了
- 选择一组药物警戒相关的标准问题，评估召回结果中包含正确答案的比例。
- 检查检索结果中，返回分块的上下文完整性，判断是否有关键信息被截断。
- 监控索引服务的资源占用情况，确认新增文档后的索引更新时间是否在可接受范围内。
- 通过调整
similarity_threshold，观察检索结果数量的变化，并结合人工判断来确定合适的阈值范围。
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。