这个品类的数据长什么样
CMC（化学、制造与控制）研究的注册申报资料涉及药物从研发到上市全生命周期的生产工艺、质量控制、稳定性、分析方法验证等核心数据。数据来源多样，包括实验室原始记录、生产批记录、质量标准文件、分析报告、稳定性研究报告、供应商资质文件等。这些数据更新频率相对较低，主要在研发阶段完成、临床试验阶段验证、以及上市后变更时更新。文档结构复杂，通常包含大量结构化数据（如检测结果、理化性质参数）和非结构化文本（如工艺描述、偏差调查报告）。字段与单位具有高度专业性，例如“含量均匀度”（单位%）、“溶出度”（单位%）、“有关物质”（单位%），以及各种色谱参数、质谱数据等，对数值精度和单位一致性要求极高。
这些特征在「知识库检索与召回」这一环带来什么约束
CMC 资料的数据来源广泛和结构复杂性，要求知识库能够有效处理多种文件格式（如 PDF、Word、Excel）。更新频率低但内容高度专业，使得知识库内容一旦入库，其准确性和权威性必须得到长期保证。大量的结构化数据和非结构化文本并存，对分段策略提出挑战，既要保留结构化数据的表格语义，又要确保非结构化文本的上下文完整性。高度专业化的字段和单位，意味着召回结果必须精准匹配查询中的专业术语和数值区间，避免因语义理解偏差导致的误召回或漏召回。此外，对数值精度和单位一致性的严格要求，促使检索系统在匹配时需对数字和单位进行规范化处理。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 500 MB | CMC 报告常包含大量图表与附件，文件体积较大，需确保上传容量。 |
分段长度 | 800–1200 字符 | 平衡上下文完整性与检索效率，避免过长分段稀释关键信息。 |
重叠长度 | 150 字符 | 确保跨分段的关键信息不会丢失，维持语义连贯性。 |
相似度阈值 | 0.75–0.85 | 保证召回结果的专业相关性，降低非相关度内容干扰。 |
召回条数 | 前 8–12 条 | 兼顾召回广度与后续重排效率，确保覆盖潜在相关信息。 |
重排返回条数 | 前 3 条 | 聚焦核心相关信息，提升最终呈现给用户的精准度。 |
容易做错的三处
- 查询响应时间超过 30 秒：知识库内容量增大后，索引效率下降或向量数据库负载过高导致。
- 检索结果中出现与查询无关的通用文本：
相似度阈值设置过低，导致非专业领域内容被误召回。 - 特定批次号或检测参数未能准确召回：文档解析环节未能正确识别和提取表格中的结构化数据。
怎么确认配好了
- 选取一批包含专业术语、数值范围和单位的典型 CMC 查询，检查召回结果是否包含所有预期文件段落。
- 测试不同复杂度的查询，观察响应时间是否稳定在可接受范围内，并排查是否有超时报错。
- 随机抽取已入库的多个批次生产记录，通过查询其特有标识符，验证知识库是否能精准定位到对应文档。
- 使用包含特定分析方法名称的查询，核对召回结果中是否正确呈现了该方法的验证数据。
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。