这个品类的数据长什么样
批记录审核的数据主要来源于药品生产过程中的批生产记录、批检验记录以及相关的偏差处理、变更控制、CAPA（纠正预防措施）等文件。这些数据通常以结构化（如生产参数、检验结果表格）和非结构化（如生产操作描述、偏差报告文本）混合的形式存在，多为 PDF、Word 文档或扫描件。数据更新频率相对较低，主要在每个生产批次完成后生成并归档。文档中包含大量专业术语、缩写、计量单位（如 mg/mL、kPa、°C），以及特定格式的日期和时间戳，对文本的理解深度要求较高。
这些特征在「向量模型与索引」这一环带来什么约束
批记录数据的混合结构和专业性要求向量模型能有效处理表格数据与自由文本的融合，避免单纯的文本分段丢失结构化信息。低更新频率意味着批量索引和定期增量更新的策略更为适用，减少不必要的重复计算。文档中特有的计量单位和专业术语，例如“批号”、“有效期”、“生产日期”等，需要模型在向量化时能识别其语义关联，增强召回的准确性。此外，对于扫描件中的手写批注或低质量图像文本，要求采用更鲁棒的文本抽取技术，以确保索引内容的完整性，避免因文本识别错误导致索引不准确或缺失。
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 | 批记录中段落语义完整性较强，过短易丢失上下文，过长则引入噪音 |
分段重叠长度 | 80–120 字符 | 确保相邻分段间的语义连续性，尤其在跨页或跨表格时 |
召回条数 | 前 8 条 | 批记录审核需要全面考量多个相关信息点，适当增加召回数量 |
相似度阈值 | 0.75–0.85 | 严格匹配关键信息，降低误召回率，根据实际测试调整 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 批记录文件可能包含大量页数和复杂表格，需要更长的解析时间 |
maxContext | 4000 字符 | 确保模型能处理较长的批记录摘要或关键段落，维持上下文理解 |
容易做错的三处
- 上传文档后，部分关键信息如批号、检验结果未被正确索引，查询时无法召回。这通常是由于文档解析器未能正确识别表格或扫描件中的特定字段。
- 知识库中出现大量重复或高度相似的索引分段，导致召回结果冗余且影响效率。此现象多因
分段重叠长度设置过大，或文档内容本身存在大量重复性描述。 - 批量上传批记录文件后，系统长时间显示“处理中”或直接报错，无法完成索引。这可能是因为
PARSE_FILE_TIMEOUT_SECONDS设置过短，大型或复杂文档在默认时间内未能完成解析。
怎么确认配好了
- 上传多个具有代表性的批记录文档，使用文档中的关键术语、批号或异常描述进行查询，检查召回结果是否包含所有相关段落，并评估其相关度。
- 随机抽取已索引的批记录文档，查看其在知识库中的分段情况，确认分段粒度是否合理，没有出现过度拆分或合并的情况。
- 通过系统日志或监控工具观察文件处理的平均耗时，确认
PARSE_FILE_TIMEOUT_SECONDS是否能覆盖绝大部分批记录文档的解析需求。 - 对比不同
相似度阈值下的查询结果，选择一个既能召回相关信息又不引入过多噪音的平衡点。
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。