这个品类的数据长什么样
自身免疫疾病的注册申报资料，其数据来源呈现高度专业化和分散化的特点。核心数据通常源自临床试验报告、非临床研究报告、药学研究报告以及已发表的医学文献。这些资料的更新频率相对较低，主要集中在临床试验的不同阶段性报告发布、监管机构指导原则的修订或新药上市申请（NDA/BLA）的提交节点。文档结构复杂，常包含大量非结构化文本，如详细的病理生理机制描述、临床结果分析和安全性评估。此外，还会涉及结构化数据，例如患者基线特征、疗效指标（如疾病活动度评分 DAS28、SLEDAI）和不良事件发生率等。单位方面，除了常规的计量单位，还会频繁出现生物标志物浓度（如 ng/mL、pg/mL）、免疫学指标（如抗体滴度、细胞百分比）以及疾病特有的评分体系。
这些特征在「引用来源与溯源」这一环带来什么约束
自身免疫疾病注册申报资料的复杂数据特征，对引用来源与溯源机制提出了特定要求。首先，非结构化文本与结构化数据的混合，要求知识库能够有效解析和索引不同类型的信息。传统基于关键词的召回方式，可能难以准确捕获临床试验报告中复杂的逻辑关系和多层级论证。其次，资料更新频率低但单次更新体量大，意味着知识库需要具备高效的全量或增量更新能力，并确保版本管理和历史追溯的准确性。第三，专业术语和疾病特有评分体系的存在，要求 RAG 模型在语义理解和相似度匹配上具有更高的精度，以避免误引用或漏引用。第四，对引用来源的严格溯源要求，是为了满足药监部门对申报资料真实性、准确性的高标准，任何回答都必须能精确回溯到原始文档的具体章节、段落甚至表格，以支持专家审阅和合规性验证。
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 | 确保语义完整性，避免过短分段丢失上下文，过长分段引入噪音。 |
召回条数 | 前 8–12 条 | 平衡召回广度与模型处理负荷，覆盖关键信息点。 |
相似度阈值 | 0.75–0.85 (余弦相似度) | 提高召回结果的相关性，减少不相关段落的干扰，适应专业术语。 |
重排返回条数 | 前 3–5 条 | 精炼最终呈现的引用，突出最相关的证据，提升专家审阅效率。 |
最大上下文窗口 | 4000–8000 Token (随模型能力调整) | 确保模型在生成回答时能包含足够的上下文信息，支持复杂论证。 |
引用展示粒度 | 段落 或 表格 | 精确指向原始资料的具体位置，满足合规性溯源要求。 |
容易做错的三处
- 聊天回答中引用来源显示报错或为空：通常是由于文档解析失败或索引构建不完整，导致无法从原始文档中定位到对应内容。
- 回答中出现与问题不相关的知识库引用：原因在于
相似度阈值设置过低或召回条数过多，引入了大量低相关性内容。 - 使用工作流工具调用后，引用来源未按预期显示或格式异常：常见于工作流输出与前端引用解析逻辑不匹配，或工具调用结果未正确映射到引用字段。
怎么确认配好了
- 随机抽取 10 个典型问题，检查每个回答的引用来源是否精确指向原始文档的正确位置，并核对引用内容的准确性。
- 模拟提交包含专业术语和疾病评分的问题，验证系统能否准确召回并引用相关段落，特别关注
DAS28、SLEDAI等指标的引用。 - 检查知识库更新后，历史回答的引用链接是否依然有效，并能正确跳转到更新后的文档版本或对应历史版本。
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。