适应症合理用药问答的向量模型与索引

这个品类的数据长什么样

适应症数据主要来源于药品说明书、临床指南、专家共识以及药品监管机构发布的批准文件。其更新频率相对稳定，通常随新药上市、适应症拓展或撤销而变化，周期多为季度或半年。文档结构上，适应症信息通常以结构化或半结构化的形式存在，如药品说明书中的“适应症”章节，或临床指南中针对疾病的推荐用药部分。核心字段包括疾病名称、药物名称、用法用量、特殊人群注意事项等，单位则涉及剂量（如 mg、g）、频率（如 次/日）、疗程（如 天、周）。数据量通常较大，单个药物可能对应多个适应症，且描述可能包含大量医学术语。

这些特征在「向量模型与索引」这一环带来什么约束

适应症数据来源的权威性及其医学专业性，要求向量模型能准确捕捉医学术语的语义关联，避免因词义模糊导致的误判。更新频率决定了索引的重建或增量更新策略，以确保知识库的时效性。文档的结构化特点，使得在数据预处理阶段可以进行更精细的字段提取和内容分段，例如将“适应症”与“用法用量”分离，避免无关信息干扰向量表示。字段中包含的剂量、频率等数值信息，对模型理解其上下文语境提出了要求，可能需要结合规则匹配或更复杂的语义理解能力。数据量大和描述的复杂性，意味着需要选择高维度的向量模型以提升区分度，并优化索引结构以支持高效检索。

配置怎么定

配置项	建议取法	这样取的依据
`分段长度`	`500–800 字符`	适应症描述通常较长，过短分段可能丢失上下文，过长则引入噪声。
`分段重叠`	`50–100 字符`	确保分段边界处的语义连续性，避免关键信息被截断。
`召回条数`	`前 10–20 条`	考虑到适应症描述的复杂性和相关性多样性，适当增加召回量以提高命中率。
`相似度阈值`	`0.75–0.85`	医疗领域对准确性要求高，阈值不宜过低，需根据实际测试调整。
`向量模型`	`text-embedding-ada-002` 或更高版本	医疗领域专业术语多，需要高精度模型捕捉语义。
`PARSE_FILE_TIMEOUT_SECONDS`	`600 秒`	处理大型PDF或文本文件时，需要足够时间完成解析。

容易做错的三处

查询结果中出现与提问疾病不相关的药物或适应症，原因在于向量模型未能有效区分疾病的细微差异，或索引分段粒度过粗导致无关信息混入。
导入大量药品说明书后，知识库构建过程长时间无响应甚至报错，这是因为 UPLOAD_FILE_MAX_SIZE 或 PARSE_FILE_TIMEOUT_SECONDS 参数设置过小，未能处理大文件或复杂文档的解析。
针对特定疾病的用药问答，返回的药物信息不完整，例如缺少用法用量，原因可能是数据预处理阶段未正确提取所有关键字段，或向量索引时将不同字段信息拆分过细导致检索时无法聚合。

怎么确认配好了

选取一批包含常见疾病和罕见疾病的适应症问答测试集，检查召回的文档是否包含正确药物及用法。
针对不同长度的适应症描述进行查询，观察召回内容是否完整，并评估 分段长度 和 分段重叠 的效果。
模拟新药上市或适应症变更，更新知识库后，验证相关查询结果是否已反映最新信息。
通过调整 相似度阈值，观察召回结果的相关性和准确率变化，找到平衡点。

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。