这个品类的数据长什么样
苗头化合物筛选的数据主要来源于高通量筛选报告、活性测试数据、结构-活性关系（SAR）研究、毒理学预评估报告及相关专利文献。这些数据更新频率相对较低，通常随实验进展或项目阶段性成果发布。文档结构复杂，包含大量非结构化的实验记录、结构式图片、图表、以及半结构化的数据表格。字段涵盖化合物ID、CAS号、分子结构描述、体外活性数据（如IC50、EC50值）、ADMET性质预测结果、供应商信息等。单位多样，涉及摩尔浓度（nM, µM）、百分比抑制率（%）、以及各种毒理学指标（如LD50，mg/kg）。
这些特征在「向量模型与索引」这一环带来什么约束
苗头化合物筛选数据的复杂性对向量模型与索引提出了特定要求。首先，非结构化文本与结构化数据的混合使得单纯的文本嵌入不足以捕捉全部信息。需考虑多模态嵌入，或对结构化数据进行预处理后与文本融合。其次，数据更新频率低，意味着索引重建的频率无需过高，但每次更新需要处理的数据量可能较大。文档中的大量化学结构式、图表等图片信息，要求向量模型具备图像识别与描述能力，或通过OCR技术提取文本。多样的单位和数值，对数值型字段的嵌入方式提出挑战，需确保模型能理解并区分不同单位下的数值大小，避免简单的字符串匹配。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 800–1200 字符 | 兼顾上下文完整性与向量模型处理效率，避免信息碎片化。 |
overlap_size | 100–200 字符 | 确保上下文连续性，减少分段边界处的信息损失。 |
embedding_model | text-embedding-v2 或 Doubao-embedding | 需支持中文和英文，并对科学文献有较好的理解能力。 |
recall_top_k | 15–25 条 | 增加召回相关文档片段的概率，覆盖更多潜在信息点。 |
similarity_threshold | 0.78–0.85 | 平衡召回率与准确率，过滤掉不相关的低相似度结果。 |
metadata_fields | CompoundID, ActivityValue, TargetProtein | 结合结构化元数据进行过滤和精细化检索，提高精准度。 |
容易做错的三处
- 知识库切换向量模型后进度停滞，无法切换回原模型。这通常是由于后台任务队列阻塞或模型配置验证失败导致，需要检查模型渠道的API配置和状态。
- 上传包含大量图片和复杂图表的PDF文档时，部分内容未被索引。这是因为默认的文本提取能力不足以处理图像中的信息，需要增强OCR或多模态处理能力。
- 检索结果中，对特定化合物活性值或ADMET性质的查询，未能准确召回包含精确数值的文档。这可能源于数值型数据未被有效嵌入，或模型对数字与单位组合的语义理解不足。
怎么确认配好了
- 上传一批包含典型苗头化合物数据（如IC50值、分子结构描述）的测试文档，检查知识库中是否正确解析并建立了索引。
- 针对特定化合物ID、活性值范围或靶点名称进行检索，验证返回结果的相关性和准确性是否符合预期，特别是包含结构化信息的查询。
- 模拟注册申报资料准备过程中的常见提问，例如“化合物X对靶点Y的IC50是多少？”，观察FastGPT能否从索引中召回包含精确数值和来源文档的片段。
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。