这个品类的数据长什么样
生物等效性研究数据主要来源于药学、临床前和临床试验报告，以及相关法规指南。数据更新频率相对较低，通常随药品研发进展或法规修订而变化。文档结构以结构化报告为主，包含研究方案、分析方法验证、受试者信息、药物浓度数据、统计分析结果等。核心字段包括药物浓度（ng/mL）、时间点（h）、受试者ID、制剂类型（参比制剂/受试制剂）、PK参数（Cmax、AUC0-t、AUC0-inf、Tmax、t1/2等），单位通常为国际标准单位。数据中包含大量图表和表格，对文本提取和结构化处理有较高要求。
这些特征在「向量模型与索引」这一环带来什么约束
生物等效性报告中包含的药物浓度-时间曲线图和PK参数表格，需要向量模型能够从复杂的结构化数据中提取关键信息。文档中的专业术语和缩写对通用向量模型是挑战，需要通过领域词汇表或预训练进行增强。数据的低更新频率意味着索引重建成本相对较低，可以更倾向于精细化索引策略。报告中大量数值型数据和统计结果，要求向量模型在表示时能捕捉到数值间的关系和统计学意义，例如PK参数的比值区间。此外，不同制剂类型的数据对比是核心，索引设计需支持高效的跨文档、跨字段比较查询。
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 | 确保单个分段能包含完整的关键信息，如一段方法描述或一个PK参数表格的解释，又不过长导致语义漂移。 |
分段重叠 | 50–100 字符 | 保证上下文的连续性，避免关键信息被切分在不同段落边缘。 |
召回条数 | 8–12 条 | 生物等效性查询通常需要对比多个数据点或报告章节，增加召回条数以获取更全面的上下文。 |
相似度阈值 | 0.75–0.85 | 领域内术语和数据表述的精确性要求高，高阈值有助于召回更相关、更准确的结果。 |
嵌入模型 | m3e 或 bge-large-zh | 针对中文生物医药领域文本有较好表现，能理解专业术语和数值上下文。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 生物等效性报告文件可能较大，解析复杂，需要更长的超时时间以避免解析中断。 |
容易做错的三处
- 知识库状态长期显示“索引中”，原因可能是文档解析超时或文件过大超出系统限制，需要检查日志中的
PARSE_FILE_TIMEOUT_SECONDS错误或UPLOAD_FILE_MAX_SIZE配置。 - 自定义索引内容无法有效提升召回准确率，原因在于索引内容过于泛化，没有针对生物等效性报告中的特定字段或关键数值进行提炼，导致向量表示不够聚焦。
- 查询结果中未能有效对比不同制剂的PK参数，原因可能是文档分段策略未能保持PK参数与对应制剂类型在同一分段内，导致向量化时丢失了关键关联信息。
怎么确认配好了
- 上传一份典型的生物等效性报告，观察知识库索引状态是否正常完成，并检查索引日志中是否存在解析错误。
- 针对报告中的关键PK参数（如Cmax、AUC比值）以及不同制剂的比较，进行检索测试，检查召回结果是否包含相关段落。
- 尝试使用报告中特有的专业术语和缩写进行查询，验证召回结果的准确性和完整性。
- 评估针对不同制剂的对比性问题，系统能否提供包含两类制剂数据的有效上下文，例如查询“参比制剂与受试制剂的Cmax差异”。
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。