这个品类的数据长什么样
稳定性研究的数据主要来源于药物研发过程中的长期、加速和中间试验报告。这些报告通常是结构化的文档，包含特定时间点（如 0、1、3、6、9、12、18、24、36、48、60 个月）的各项理化指标检测结果，例如含量、纯度、溶出度、水分、pH 值、降解产物等。数据更新频率相对较低，通常随试验周期进展按季度或年度进行。文档中字段规范，常伴有国际单位制（SI）的表示，如 %、mg/mL、ppm、°C、RH%。数据集中还包含批次号、生产日期、有效期、储存条件（温度、湿度）等元数据。
这些特征在「向量模型与索引」这一环带来什么约束
稳定性研究数据的高度结构化和时间序列特性，对向量模型与索引提出了特定要求。由于数据点之间存在明确的时间关联，简单的段落切分可能破坏数据的时间上下文，导致语义丢失。例如，不同时间点的含量数据需要被识别为同一批次的稳定性趋势一部分。字段的规范性意味着需要更精细的文本预处理，避免单位或特殊符号对向量化结果产生干扰。此外，由于数据更新频率低但单次更新可能涉及大量批次和时间点，索引的增量更新策略需优化，以确保新数据快速入库而不影响现有查询性能。对存储条件等元数据的精确匹配能力，也要求向量索引具备高效的元数据过滤机制。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 200–300 字符 | 保留时间序列数据的上下文，避免单个指标被孤立。 |
召回条数 | 10–20 条 | 覆盖足够多的时间点和批次信息，支持趋势分析。 |
相似度阈值 | 按实测标定 | 确保能召回关键的理化指标和批次数据。 |
重排返回条数 | 5–8 条 | 聚焦最相关的稳定性数据，提高结果精准性。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对大型稳定性报告解析可能耗时较长的情况。 |
embedding_model | text-embedding-ada-002 或其他高性能模型 | 确保对专业术语和数值的语义理解能力。 |
容易做错的三处
- 知识库状态长时间停留在“索引中”，查询结果为空。这通常是由于文件解析超时或向量模型调用失败，导致数据未能成功向量化并写入索引。
- 搜索结果中召回的稳定性数据与预期不符，例如仅返回某个时间点的数据，未能反映完整批次的稳定性趋势。这可能源于分段策略过于激进，将相关联的时间点数据切分到不同的向量片段中。
- 切换向量模型后，相似度分数异常高或低，导致无法有效过滤结果。这通常是新模型与旧模型输出向量空间的差异，需要重新标定相似度阈值。
怎么确认配好了
- 上传一份典型的稳定性研究报告，检查知识库状态是否最终变为“已完成”，确认无解析错误。
- 针对报告中的关键理化指标和批次号进行查询，核对返回结果是否包含多个时间点的数据，并能正确展示其变化趋势。
- 使用包含特定储存条件和批次号的查询，检查召回结果是否能准确匹配对应的元数据。
- 通过调整相似度阈值，观察召回结果的数量和相关性变化，直至找到一个能平衡召回率和精确度的值。
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。