这个品类的数据长什么样
禁忌与相互作用数据通常来源于药品说明书、药典、临床指南及专业数据库。这些数据更新频率较高，每年可能有多轮修订，尤其涉及新药上市或安全性信息变更时。文档结构以条目化居多，每个条目包含药品名称、相互作用等级、作用机制、临床表现、处理建议等。字段包括药品通用名、商品名、活性成分、禁忌症、相互作用药物、相互作用类型（如药效学、药代动力学）、严重程度（如轻度、中度、重度）、证据级别、建议措施。部分数据会带有药物的 ATC 分类代码、CAS 号等标准化标识符。
这些特征在「向量模型与索引」这一环带来什么约束
禁忌与相互作用数据的高更新频率要求向量索引具备高效的增量更新或重建机制，以确保信息的时效性。条目化的文档结构意味着在分块时需要关注保持单个相互作用条目的完整性，避免因切分导致信息丢失。丰富的结构化字段和标准化标识符为元数据过滤和精确检索提供了基础，要求向量数据库能够有效支持基于元数据的预过滤或后过滤。严重程度、作用机制等分类信息，在向量化时应能被模型有效捕捉，以支持细粒度的问题匹配。此外，由于药物名称的多样性（通用名、商品名），需要考虑同义词扩展或实体链接，以提高召回率。
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 | 确保单个相互作用条目内容完整，同时避免过长影响向量模型效率。 |
分段重叠 | 50 字符 | 保留上下文衔接，处理跨段落的潜在关联信息。 |
召回条数 | 前 10 条 | 兼顾准确性和计算资源，覆盖常见相互作用信息。 |
相似度阈值 | 按实测标定 | 根据数据集特性和召回精度要求，通过测试集调整，通常在 0.7–0.85 之间。 |
重排返回条数 | 5 条 | 进一步优化排序，提高最终呈现结果的相关性。 |
maxContext | 4000 token | 确保 LLM 有足够上下文处理召回的多个相互作用条目及其细节。 |
容易做错的三处
- 向量召回结果相关度低：原因在于向量模型未能充分理解药物相互作用的语义关联，或分块策略导致关键信息被截断。
- 无法溯源到具体文档：原因常为知识库配置中未开启或正确配置文档溯源功能，或者分块时丢失了原始文档的标识信息。
- 索引更新后回答仍旧使用旧数据：原因在于未触发或未能正确执行增量索引更新流程，导致向量库与源数据不一致。
怎么确认配好了
- 通过测试集验证问答准确率和召回率是否达到预期，特别是针对不同严重程度、作用机制的相互作用问题。
- 检查每个回答是否能准确指出信息来源的原始文档或文档片段，包括文档名称和相关文本块。
- 监测索引更新日志，确保每次源数据更新后，向量索引能在规定时间内完成同步。
- 随机抽取新发布或修订的药物相互作用信息，验证问答系统能否及时准确地给出最新回答。
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。