这个品类的数据长什么样
小分子化药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）、临床研究资料（如临床试验方案、总结报告）等。这些数据源自实验室研究报告、生产批记录、临床试验数据库及法规文件，更新频率相对较低，通常随研发进展或法规修订而变化。文档多为结构化或半结构化的 PDF、Word 文件，包含大量专业术语、化学结构式、图表和表格。关键字段包括化合物名称（如 CAS 号）、分子式、批次号、检测指标、剂量单位（如 mg/kg）、给药途径及法规条款编号。
这些特征在「知识库检索与召回」这一环带来什么约束
小分子化药资料的数据特性对知识库检索与召回提出了具体要求。文档中专业术语和结构化数据的密集性，决定了需要更精细的文本分段策略，以避免关键信息被截断。化学结构式和复杂图表的存在，意味着单纯的文本向量化可能不足以捕捉其语义，可能需要结合 OCR 技术或多模态嵌入。更新频率低，使得知识库的定期重索引优先级相对不高，但每次更新的准确性至关重要。字段与单位的标准化，要求在数据预处理阶段进行严格的实体识别和归一化处理，确保检索时能精确匹配，避免因单位不一致导致的结果偏差。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 800–1200 字符 | 适应药学资料中段落较长、信息密度高的特点，兼顾语义完整性 |
召回条数 | 前 10–15 条 | 确保覆盖相关性高的多个信息点，为后续重排提供足够候选 |
相似度阈值 | 按实测标定 | 需根据具体语料库和模型效果进行调整，平衡查全率与查准率 |
重排返回条数 | 前 3–5 条 | 筛选出最核心、最相关的文档片段，减少模型处理负担 |
maxContext | 4000–8000 Token | 适应复杂法规和研究报告的上下文长度，确保完整性 |
UPLOAD_FILE_MAX_SIZE | 100 MB | 满足大型研究报告或多份文件合并上传的需求 |
容易做错的三处
- 知识库启用“结果重排”后依然显示未激活状态，原因可能在于Rerank模型接口连接成功，但模型本身未正确加载或配置验证未通过，导致系统无法实际调用重排功能。
- 在调用知识库时，引用上下文上限不足，现象为返回结果信息不完整或提示
context window exceeded，这通常是由于maxContext参数设置过小，无法承载检索到的多个长文本片段。 - 上传大型 PDF 文档后，文件处理长时间无响应或报错
PARSE_FILE_TIMEOUT，这通常是由于PARSE_FILE_TIMEOUT_SECONDS参数设置过短，不足以处理包含大量图表或复杂布局的文档。
怎么确认配好了
- 上传多个具有代表性的小分子化药注册申报文档，检查知识库分段是否合理，确保关键信息（如
CAS 号、剂量单位）未被截断。 - 针对特定化合物名称或法规条款进行检索，观察召回结果条数和相关性排序，评估
召回条数和相似度阈值是否能有效识别相关内容。 - 选取包含复杂图表或表格的文档，验证知识库能否正确提取并索引其文本信息，并测试检索这些内容时能否获得预期结果。
- 模拟实际问答场景，提出关于药物合成工艺、毒理数据或临床试验方案的问题，检查返回的引用片段是否完整、上下文是否连贯，以确认
maxContext配置得当。
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。