罕见病注册申报资料准备的知识库检索与召回

这个品类的数据长什么样

罕见病注册申报资料的数据来源广泛且分散，主要包括临床试验报告、非临床研究报告、药物警戒数据、上市后研究数据、医学文献、国内外监管机构发布的指南与审评要求等。这些数据更新频率不一，临床试验数据在试验周期内可能持续更新，而监管指南则相对稳定，通常以年为周期修订。文档结构复杂，多为 PDF、Word、Excel 等格式的非结构化或半结构化文档，内容包含大量专业术语、缩写、图表和统计数据。字段与单位方面，涉及剂量（如 mg/kg）、频率（如 QD、BID）、疗效指标（如 PFS、OS）以及各种生物标志物数据，其多样性和特异性对信息提取提出挑战。

这些特征在「知识库检索与召回」这一环带来什么约束

罕见病注册申报资料的数据特性，对知识库检索与召回流程带来了特定的约束。首先，多源异构的文档格式要求知识库具备强大的文档解析能力，能够准确提取不同格式文件中的文本信息。其次，专业术语和缩写的大量存在，使得单纯基于关键词的检索容易漏召，需要更智能的语义理解和向量化能力。更新频率不一的数据源，要求知识库能够支持增量更新，并在召回时能区分数据的时效性。文档内部复杂的结构，如章节、表格、图注等，需要精细的分段策略，避免大段文本稀释关键信息，或小段文本丢失上下文。最后，字段与单位的特异性，对信息抽取和结构化处理提出了更高要求，以支持更精确的检索过滤。

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`	兼顾罕见病文档的详细描述与上下文完整性，避免过长导致向量化精度下降。
`分段重叠长度`	`50–100 字符`	确保分段边界的上下文连续性，减少关键信息被截断的风险。
`embedding_model`	`text-embedding-ada-002` 或更高版本	提高专业术语和复杂语义的向量化准确性，提升检索效果。
`召回条数`	`10–20 条`	考虑到罕见病资料的复杂性，适当增加召回数量以覆盖更多相关信息。
`相似度阈值`	按实测标定，建议 `0.75–0.85`	平衡召回率与准确率，避免无关信息干扰，需根据实际数据调整。
`重排返回条数`	`5–8 条`	在初次召回后，通过重排模型进一步优化相关性，聚焦最核心的文档片段。

容易做错的三处

知识库更新后检索结果未及时反映最新内容，原因在于未配置增量同步或同步频率过低，导致知识库索引与源数据版本不一致。
检索结果中出现大量无关或低相关性文档片段，现象为相似度分数偏低但仍被召回，原因可能是 相似度阈值 设置过低，未能有效过滤噪声。
在批量导入或更新文档时，日志显示 Rate limit exceeded 错误，原因通常是 embedding 服务调用频率超出限制，未能合理控制并发或进行指数退避重试。

怎么确认配好了

针对核心罕见病药物或疾病的特定查询，验证召回结果中是否包含关键的临床试验数据、监管批文信息。
随机抽取多份不同格式的申报资料，导入知识库后，通过检索其特有内容（如 IND 编号、临床终点 ORR 数据）来核对文档解析和分段的准确性。
在不同时间点执行查询，并与源数据比对，确保知识库能够反映最新的数据更新，核对 last_updated_at 字段。

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。