这个品类的数据长什么样
呼吸系统疾病的注册申报资料来源广泛，包括临床试验报告、药代动力学与药效学研究数据、非临床研究报告、生产工艺与质量控制文件、以及既往上市产品的说明书与安全性数据。数据更新频率不一，临床试验数据在试验周期内持续产生，法规文件则随监管政策调整而更新。文档结构多为层级分明的长篇PDF报告、Word文档或结构化数据库记录。数据字段与单位具有高度专业性，例如肺功能指标（FEV1，L；FVC，L）、血气分析（PaO2，mmHg；PaCO2，mmHg）、药物浓度（Cmax，ng/mL；AUC，ng·h/mL）等，需严格遵循医学和药学规范。
这些特征在「知识库检索与召回」这一环带来什么约束
呼吸系统注册申报资料的复杂层级结构要求知识库在切分文档时能识别并保留上下文逻辑，避免语义碎片化。大量专业术语和缩写对向量模型提出了更高要求，需确保模型能准确理解其在特定语境下的含义。更新频率的差异意味着需要建立动态的知识库维护机制，例如，对临床数据进行增量更新，对法规文件进行版本管理。文档中包含的表格、图表等非文本信息，在知识库预处理时需考虑如何有效提取和索引，以支持对剂量、疗效数据等关键信息的精确检索。此外，不同报告间的交叉引用和关联性，要求检索时能进行多文档的协同召回。
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 | 兼顾呼吸系统资料的段落长度与语义完整性，避免过长导致信息冗余，过短丢失上下文。 |
重叠长度 | 100–150 字符 | 确保相邻分段间的上下文衔接，尤其在长篇论述中，有助于召回完整概念。 |
召回条数 | 8–12 条 | 考虑到申报资料的复杂性和多维度信息，适当增加召回条数以提高覆盖率。 |
相似度阈值 | 0.75–0.85 | 呼吸系统专业术语的精确性要求，避免低相关度召回干扰，同时保留一定泛化能力。 |
embedding_model | text-embedding-ada-002 | 业界通用高精度模型，能较好处理医学专业术语的语义相似性。 |
maxContext | 3000–4000 字符 | 留出足够空间承载召回内容，确保LLM能够获取充分的上下文信息进行综合判断。 |
容易做错的三处
- 检索结果中出现大量无关或低相关度内容，导致信息过载，原因在于
相似度阈值设置过低，未能有效过滤噪声。 - 部分关键信息未被召回，但知识库中确实存在，现象是回答不完整或缺失关键数据，原因可能是
分段长度过短，导致关键信息被截断或语义不完整。 - 对于特定疾病的剂量、疗效数据无法进行精确检索，输出的回答泛泛而谈，原因在于知识库预处理时未有效抽取和索引表格或图表中的结构化数据。
怎么确认配好了
- 选择多个具有代表性的呼吸系统疾病申报资料问题，验证检索结果是否包含所有相关的关键信息，并评估召回条目的相关性排序。
- 针对特定专业术语或缩写进行检索，检查召回结果是否准确理解其在不同语境下的含义，并能正确关联到相关文档。
- 模拟申报资料更新场景，导入新的法规文件或临床数据，验证知识库的增量更新机制是否正常工作，且新旧数据能被有效检索。
- 检查针对表格、图表内数据的提问，召回结果是否能指向包含这些结构化信息的原文段落。
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。