这个品类的数据长什么样
干细胞治疗注册申报资料的核心数据源包括临床试验报告、非临床研究报告、生产工艺规程、质量标准与检验报告等。这些文档通常以 PDF、Word 或结构化数据库的形式存在。临床试验数据更新频率较高，尤其在多中心临床研究推进过程中，安全性与有效性数据会持续产生。非临床研究报告则相对稳定。文档结构复杂，包含大量专业术语、图表和统计数据。字段涉及细胞株信息、培养条件、给药方案、不良事件、疗效指标等，单位涵盖细胞数量（如 10^6 cells/kg）、剂量（如 mg/kg）、时间（如 周、月）、浓度（如 U/mL）等，且常伴随特定的检测方法学描述。
这些特征在「引用来源与溯源」这一环带来什么约束
干细胞治疗申报资料的复杂性与动态性，对引用来源与溯源提出了高要求。首先，临床试验数据的持续更新需要知识库能够及时同步并标记版本，确保引用的始终是最新或指定版本的数据，避免引用过时信息。其次，文档中大量的专业术语和计量单位，要求 RAG 模型具备精确的语义理解能力，避免因同义词或单位混淆导致引用错误。复杂的文档结构（如嵌套表格、图片说明）使得传统文本分段方式可能割裂关键信息，影响召回效果。此外，申报资料的严谨性要求每次引用都必须精确指向原始出处，包括页码、章节甚至具体段落，以满足监管机构的审计需求。
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 | 干细胞治疗资料段落较长，包含复杂背景信息，过短分段会割裂上下文；过长则引入噪声。 |
分段重叠 | 150–200 字符 | 确保段落间上下文连续性，捕捉跨段落的关键论述。 |
召回条数 | 8–12 条 | 复杂查询可能涉及多方面信息，增加召回条数提高相关性文档覆盖率。 |
相似度阈值 | 0.78–0.85 | 保证召回结果与查询高度相关，过滤掉语义相近但内容不符的文档。 |
重排返回条数 | 5 条 | 在高质量召回基础上，进一步精选最相关的核心证据。 |
最大引用token数 | 4000 token | 确保能容纳多个长段落引用，以支撑复杂问题的回答。 |
容易做错的三处
- 现象：AI 回答中引用了过期或被修订的数据，导致信息不准确。原因：知识库未能及时更新，或文档版本管理机制配置不当，导致召回了非最新版本文档。
- 现象：AI 无法联系上下文，对连续提问的第二个问题答非所问，或引用了不相关的段落。原因：
分段长度设置过短，或分段重叠不足，导致重要上下文信息在分段时被割裂。 - 现象：AI 回答中引用的计量单位或专业术语出现偏差，例如将
ng/mL错误识别为ug/mL。原因：相似度阈值设置过低，召回了包含相似但非精确匹配术语的文档，或模型未能充分理解专业领域语境。
怎么确认配好了
- 对典型注册申报问题进行多轮对话测试，检查 AI 在连续追问下是否能保持上下文一致性，并验证每次引用的文档来源与内容是否准确无误。
- 随机抽取 AI 回答中的引用片段，人工核对其在原始文档中的精确位置（页码、章节），确认溯源链接的准确性。
- 针对含有关键计量单位和专业术语的提问，检查 AI 回答中这些信息的准确性，并比对引用原文，确保无混淆或偏差。
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。