这个品类的数据长什么样
生物医药领域供应商审计的资料，主要来源于审计报告、质量协议、供应商资质文件、变更通知、不符合项报告以及纠正预防措施（CAPA）记录。这些数据通常以 PDF 格式的文档为主，其中包含大量的表格、图片和扫描件。更新频率方面，关键供应商的审计报告通常每年更新一次，而质量协议、资质文件等则在有效期届满或发生重大变更时更新。文档结构上，审计报告通常有固定的章节划分，如审计范围、发现项、结论等。字段与单位方面，涉及批号、有效期、生产日期、CoA（合格证）编号、检验结果（如含量百分比、微生物限度 CFU/g 等），以及偏差等级（如关键、主要、次要）等，对数值精度和单位一致性有严格要求。
这些特征在「知识库检索与召回」这一环带来什么约束
供应商审计资料的特点对知识库检索与召回提出了具体要求。文档中包含大量表格和图片，导致传统的文本分块策略可能丢失上下文或关键数据，需要更精细的多模态处理能力。扫描件的存在意味着需要高精度的 OCR 技术以确保文本内容的完整性和准确性。字段与单位的严格性要求，使得在检索时需要精确匹配，避免因同义词或单位转换错误导致召回不准确。例如，检索“微生物限度”时，既要能匹配文本，也要能识别表格中的具体数值。年度更新的审计报告和不定期更新的质量协议，对知识库的增量更新和版本管理提出了挑战，确保召回的是最新且有效的资料。此外，审计报告中的发现项和CAPA记录，往往是工程师关注的重点，这些结构化信息需要被有效提取并参与到检索过程中。
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 | 兼顾上下文完整性与检索粒度，避免单一分段过大或过小，尤其适用于审计报告中包含多项发现的段落。 |
分段重叠长度 | 50–100 字符 | 确保相邻分段间的上下文连续性，尤其在表格或列表内容被分段时，减少信息丢失。 |
召回条数 | 前 8–12 条 | 考虑审计资料的复杂性和关联性，适当增加召回数量以覆盖潜在相关信息，避免遗漏关键审计发现。 |
相似度阈值 | 按实测标定 0.75–0.85 | 针对生物医药领域的专业术语和精确数值要求，设定较高的阈值以确保召回结果的精确性。 |
重排返回条数 | 5 条 | 在初次召回的基础上，通过重排进一步优化最终呈现结果的相关度，聚焦核心审计问题。 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 处理包含大量扫描件和复杂表格的 PDF 文件时，预留充足的解析时间，防止因超时导致文件导入失败。 |
容易做错的三处
- 现象：知识库导入 PDF 文件后，部分表格数据或图片中的文本内容缺失，AI 回答中无法引用。 原因：文件解析器对复杂表格或扫描件的 OCR 识别能力不足，导致关键信息未能正确提取为可检索文本。
- 现象：检索特定批次或产品名称的审计报告时，召回结果包含不相关的文档，或遗漏了高度相关的报告。 原因：知识库分段策略不当，导致关键实体信息（如批号、产品名）被拆分到不同段落，或未进行有效的实体识别与关联。
- 现象：用户提问关于某个供应商的“微生物限度”标准，AI 回答中给出的数值与实际报告不符或单位错误。 原因：知识库在处理数值和单位时未进行标准化或校验，导致检索时对模糊匹配的容忍度过高，或者未能区分不同报告中的标准差异。
怎么确认配好了
- 选择一份包含复杂表格和扫描件的典型供应商审计报告，导入知识库，并检查其分段预览，确保关键信息（如审计发现、CAPA编号）被完整提取。
- 针对一份已知包含特定缺陷或变更的审计报告，构造精确查询（如“供应商 X 缺陷类型 Y 的 CAPA 措施”），验证召回结果是否准确包含该报告，并排在靠前位置。
- 随机抽取 5-10 个包含数值和单位的专业问题（如“供应商 Z 某批次产品的含量百分比是多少”），通过知识库进行检索，对比 AI 回答中的数值和单位与原始报告是否一致，并统计准确率。
- 定期追踪知识库的解析日志，检查是否存在
PARSE_FILE_TIMEOUT_SECONDS相关的超时错误或 OCR 识别失败的警告，确保文件处理流程的稳定性。
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。