这个品类的数据长什么样
CAR-T 细胞治疗的注册申报资料数据源于临床试验报告、非临床研究报告、生产工艺与质量控制文件、药学研究资料以及法规标准等。这些数据更新频率相对较低，主要集中在临床试验的不同阶段性报告提交、监管政策更新或生产工艺变更时。文档结构复杂，包含大量专业术语、缩写和特定格式的表格与图谱。字段涵盖细胞来源、基因修饰类型、病毒载体信息、生产批次、患者入组与排除标准、临床结局指标（如ORR、CR、PFS、OS）及其单位（如%、天、月），以及不良事件分级（如CTCAE v5.0）。
这些特征在「向量模型与索引」这一环带来什么约束
CAR-T 申报资料的复杂文档结构和专业术语要求向量模型具备强大的语义理解能力，能够准确捕捉文本深层含义，区分相似但含义不同的医学概念。数据更新频率低意味着索引重建成本相对可控，可以采用批量更新策略。文档中包含的特定字段与单位，例如临床指标的数值和不良事件分级，需要索引能够支持结构化与非结构化信息的混合检索，确保数字与文本的关联性。此外，由于资料中可能存在大量图表和扫描件，预处理环节需要高效的 OCR 和版面分析技术，将图像内容准确转换为可向量化的文本，避免信息丢失。对特定基因序列、蛋白结构或工艺流程图的描述，也要求向量模型能有效编码这些非典型文本信息。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 800–1200 字符 | CAR-T 资料段落通常较长，包含复杂逻辑，保证上下文完整性 |
分段重叠长度 | 100–200 字符 | 确保相邻段落间的语义连续性，避免关键信息被切割 |
召回条数 | 前 10–15 条 | 确保覆盖多方面相关信息，应对查询意图的复杂性 |
相似度阈值 | 按实测标定，例如 0.75–0.85 | 平衡召回率与准确率，避免无关结果，但不能错过关键法规或临床数据 |
重排返回条数 | 前 5 条 | 经过重排模型优化，提升最终呈现结果的精准性 |
embedding_model | text-embedding-ada-002 或 bge-large-zh | 兼顾语义理解能力和对专业医学术语的支持，或选择本地化部署模型 |
容易做错的三处
- 查询结果中出现大量无关的临床试验数据，例如其他疾病或药物的临床研究报告。原因在于向量模型未能有效区分 CAR-T 细胞治疗特有的生物学机制与通用临床试验流程。
- 系统返回
503错误或text-embedding模型调用失败。原因在于embedding服务资源不足或API Key配置有误，导致无法正常进行文本向量化。 - 检索结果未能准确命中包含关键数字指标（如
ORR、PFS）的段落。原因在于文本预处理阶段未充分考虑数字与单位的语义关联，或向量模型对数值信息的编码能力不足。
怎么确认配好了
- 选取包含关键临床指标、生产工艺描述和法规要求的典型查询语句，执行检索并检查返回结果的相关性与完整性。
- 检查日志系统，确认
embedding服务调用成功率和响应时间是否在预期范围内，没有出现频繁的503或超时错误。 - 针对包含表格、图谱描述的复杂文档，验证其向量化后的检索效果，确保图像中的关键信息能够被准确召回。
- 通过调整
相似度阈值，观察召回结果数量和质量的变化，确定一个能够平衡查全率和查准率的合理区间。
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。