这个品类的数据长什么样
先导优化阶段的注册申报资料，其数据主要来源于内部实验报告、临床前研究数据、药理毒理学报告、药代动力学（ADME）数据以及初步的生产工艺信息。这些数据通常以结构化（如临床前研究数据库导出文件、分析报告图表）和非结构化（如实验记录本扫描件、研究人员手写批注、会议纪要）两种形式存在。更新节奏不一，关键实验数据可能每周更新，而综合性报告则按里程碑节点产出。文档结构复杂，可能包含 PDF 格式的详细报告、Excel 格式的数据集、Word 格式的方案与总结、以及图片格式的谱图和显微照片。字段与单位具有高度专业性，例如“IC50 值（nM）”、“Cmax（ng/mL）”、“T1/2（小时）”、“给药途径”等，且常涉及不同研究机构间的命名规范差异。
这些特征在「引用来源与溯源」这一环带来什么约束
先导优化阶段数据来源多样性与复杂文档结构，要求引用系统能够处理多种文件类型，并有效抽取其中的关键信息。非结构化数据中的手写批注和图表信息，对 OCR 识别和图像理解能力提出要求，影响引用准确性。数据的更新频率不一，意味着知识库需要支持增量更新和版本管理，确保引用内容的时效性。高度专业化的字段和单位，以及命名规范差异，增加了信息抽取的难度，可能导致引用源匹配不准确。此外，注册申报资料对数据准确性和可追溯性要求极高，任何引用的偏差都可能导致审评风险，因此，引用的粒度需要精细到具体段落、图表或数据点，并能清晰展示原始出处。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 4000 字符 | 适应报告中长段落的上下文需求，提高抽取准确性。 |
分段长度 | 800–1200 字符 | 兼顾语义完整性和召回效率，避免过度碎片化。 |
召回条数 | 前 8 条 | 覆盖更多潜在相关性强的文档片段，提高引用的全面性。 |
相似度阈值 | 0.78–0.85 | 平衡召回率与准确率，避免无关内容干扰，确保引用相关性。 |
重排返回条数 | 前 3 条 | 突出最相关且质量高的引用，减少模型处理负担。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型 PDF 报告和复杂结构化文件，避免解析超时。 |
容易做错的三处
- 引用列表返回了正确的文档片段，但模型回答中并未引用这些内容。原因可能是模型在生成回答时，未能有效整合或优先使用知识库召回的信息，或者模型对知识库内容的信任度配置较低。
- 针对实验数据表格的提问，引用中出现大量非数据字段的文本内容。原因通常是文件解析器未能正确识别表格结构，将表格数据与周围文本混淆处理，导致召回的片段冗余且不精准。
- 提问关于特定化合物的 ADME 数据时，引用来源指向了不相关的化合物或研究报告。原因在于知识库索引的粒度不够细致，或者命名实体识别（NER）在处理专业术语时存在歧义，未能准确区分相似的化合物名称。
怎么确认配好了
- 针对不同类型的文件（PDF、Excel、Word、图片），分别上传并检查知识库索引是否生成成功，并能通过关键词检索到对应的文档片段。
- 选择几个典型问题，提问后检查返回的引用来源是否指向原始文档中精确的段落、图表或数据点，并验证引用内容的准确性。
- 通过模拟提交申报资料时的常见问题，测试系统能否稳定地从多个关联文档中提取并引用交叉信息，并检查引用的内容是否与原始数据保持一致。
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。