这个品类的数据长什么样
小分子化药的注册申报资料主要包括药学研究资料（如合成工艺、质量标准、稳定性研究）、药理毒理研究资料（如药效学、毒代动力学）和临床研究资料（如临床方案、试验报告）。数据来源以企业内部研发文档、CRO 报告、以及公开的药监机构指导原则和法规为主。文档结构高度规范化，常遵循 ICH M4E 或 NMPA 格式要求，包含大量结构化或半结构化数据，例如反应方程式、化合物结构式、图谱、表格（如批次分析数据、稳定性考察数据）。字段单位严谨，如 μg/mL、mg/kg、kPa、℃，且常伴随特定的检测方法和仪器信息。资料更新频率相对较低，主要集中在研发阶段的关键里程碑和申报审评反馈环节。
这些特征在「向量模型与索引」这一环带来什么约束
小分子化药资料的规范性意味着文档切分应更注重语义完整性，避免破坏关键表格或段落的上下文。例如，化合物合成步骤、质量标准详情、临床试验设计等均应作为相对独立的语义单元进行索引。大量的专业术语、化合物名称和实验数据对向量模型的词汇理解和数值表征能力提出较高要求，通用模型可能难以准确捕捉其深层含义。此外，低更新频率决定了向量索引重建的周期可以适当放宽，但每次更新时需确保增量数据的整合性。对结构化信息的依赖，要求向量模型能有效编码表格、图谱等信息，或结合元数据索引进行增强检索。单位和数值的精确性，也对召回结果的准确性有直接影响，需避免因向量相似性而导致的数值误解。
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 | 确保化学合成步骤、质量标准细则等关键语义单元的完整性，避免过度切分。 |
分段重叠 | 50–100 字符 | 维持上下文连贯性，尤其在跨段落引用的情况下，确保重要信息的召回。 |
embedding_model | bge-m3 或 text-embedding-v3 | 具备多语言、跨领域理解能力，对生物医药专业术语有较好的编码效果。 |
召回条数 | 8–15 条 | 平衡检索效率与覆盖度，尤其在面对复杂申报资料时，增加潜在关联信息的召回。 |
相似度阈值 | 按实测标定，建议 0.75–0.85 | 保证召回结果的相关性，避免低相关度文档干扰，需根据实际数据调整。 |
重排返回条数 | 3–5 条 | 在初步召回的基础上进一步精炼结果，聚焦最相关的几个关键片段。 |
容易做错的三处
- 查询结果中缺少关键的实验数据表格或化合物结构式，这通常是由于
分段长度设置过小，导致表格或结构图所在的上下文被不当地切分。 - 检索特定药物的合成步骤时，返回的片段包含大量不相关的药理毒理内容，这可能与
相似度阈值设置过低或embedding_model对专业术语区分度不足有关。 - 接入自定义向量模型后，
知识库状态显示“向量化失败”或“索引构建超时”，原因常为PARSE_FILE_TIMEOUT_SECONDS参数过短，未能处理大型 PDF 或包含复杂图表的文档，或embedding_model接口配置错误导致调用失败。
怎么确认配好了
- 选择几份具有代表性的小分子化药注册申报资料，手动切分关键语义段落，然后与系统自动切分结果进行比对，核对
分段长度和分段重叠是否合理。 - 针对特定化合物名称、关键实验方法或法规条款进行提问，检查召回结果中是否包含预期的原始文档片段和相关数据。
- 选取若干包含表格、图谱等非文本信息的文档，验证其向量化和检索效果，确保这些信息能够被有效索引和召回。
- 评估不同查询下的
召回条数和重排返回条数，观察结果的相关性和多样性，并根据需要调整相似度阈值。
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。