这个品类的数据长什么样
CAR-T 细胞治疗领域的研发文档数据具有其独特性。数据源主要包括临床试验报告、研究论文、专利文献、生物信息学数据库（如 GenBank、UniProt）以及内部实验记录。这些文档的更新节奏相对较快，尤其是临床试验和研究进展，可能涉及季度或月度更新。文档结构上，常包含高度专业化的生物医学术语、基因序列、蛋白质结构、细胞通路图、药物作用机制描述、剂量反应曲线等。字段与单位复杂，例如基因名称（CD19、BCMA）、蛋白质ID、细胞浓度（cells/µL）、剂量（mg/kg）、时间点（天、周、月）、应答率（%）以及各类统计学指标。
这些特征在「向量模型与索引」这一环带来什么约束
CAR-T 细胞治疗文档的专业性与复杂结构对向量模型与索引提出了特定要求。大量的专业术语和缩写需要词汇表和本体论支持，以确保向量化过程能准确捕捉语义。基因序列、蛋白质结构等非文本信息需要专门的编码或嵌入方法，或转化为描述性文本。文档更新频率高，意味着索引需要支持高效的增量更新机制，以避免频繁全量重建。多样的字段和单位要求向量模型能区分数值与描述性信息，并在检索时支持基于单位和范围的过滤。此外，文档中常见的图表和图像信息，虽然目前主要依赖文本描述，但其潜在的结构化信息也应考虑。
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 | CAR-T 文档中存在大量连续的、逻辑紧密的专业描述，过短的分段可能切断关键信息，过长的分段则可能引入过多噪音，影响向量表示的精确性。 |
分段重叠长度 | 100-150 字符 | 确保跨段落的关键概念和上下文不丢失，特别是对于基因通路、临床结果描述等内容，重叠部分有助于维持语义连贯性。 |
向量模型 | text-embedding-ada-002 或领域特定模型 | 考虑到生物医药领域的专业性，选择经过大量文本训练的基础模型，或针对生物医学语料微调过的模型，以更好地理解专业术语和概念关系。 |
相似度阈值 | 0.75-0.85 | CAR-T 领域对检索准确性要求高，过低的阈值可能引入不相关结果，过高的阈值则可能遗漏潜在关联信息。具体值需通过实际测试，结合召回率和精确率进行标定。 |
召回条数 | 前 10-15 条 | 初步召回阶段需要覆盖尽可能多的潜在相关文档片段，以供后续重排模型精选。考虑到文档内容的复杂性，适当增加召回数量可以降低漏检风险。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 研发文档，特别是临床试验报告和专利，文件体积可能较大，解析过程耗时。设置足够长的超时时间，避免因文件解析中断导致索引失败。 |
容易做错的三处
- 知识库索引未就绪，导致检索结果为空或不相关。原因在于文档解析失败或向量生成过程异常，未能正确将文档内容转化为可检索的向量。
- 检索结果中出现大量不相关的基因或蛋白质信息。原因通常是分段策略不合理，未能有效隔离不同实体描述，或者向量模型对特定生物学名词的区分度不足。
- 系统报错“context length exceeded”或返回的上下文信息不完整。这往往是由于分段长度设置过大，导致单个分段超过了向量模型或后续语言模型的处理上限，或是检索时未充分考虑文档的上下文关联。
怎么确认配好了
- 上传一批具有代表性的 CAR-T 研发文档，观察解析日志，确认文件解析状态为成功。
- 对知识库进行一系列包含专业术语和复杂概念的查询，检查返回结果的“召回条数”是否符合预期，并人工评估前几条结果的相关性。
- 针对特定基因、靶点或临床试验代号进行查询，核对返回的文档片段是否准确包含了这些实体及其上下文信息，并评估相似度分数是否在合理区间内。
- 定期检查索引构建任务的完成时间与资源消耗，确保增量更新机制能够稳定运行。
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。