这个品类的数据长什么样
CAR-T 细胞治疗研发文档的数据来源广泛，涵盖临床试验报告、专利文献、科研论文、内部实验记录、法规文件等。这些文档的更新节奏快，尤其是临床前研究和临床试验阶段，数据迭代频繁。文档结构复杂，通常包含大量非结构化文本、表格数据、基因序列、蛋白质结构图、流式细胞术图谱等。文本内容涉及生物学、医学、免疫学、药学等多个交叉学科的专业术语。字段与单位具有高度特异性，例如细胞剂量（如 1x10^6 cells/kg）、转导效率（如 %）、CAR 表达水平（如 MFI）、细胞因子浓度（如 pg/mL）、肿瘤负荷（如 RECIST 标准）等，这些字段常以缩写形式出现，并伴随特定的计量单位和评价标准。
这些特征在「知识库检索与召回」这一环带来什么约束
CAR-T 研发文档的快速更新要求知识库具备高效的增量更新和版本管理能力，以确保检索结果的时效性。文档结构复杂性意味着单一的文本分段策略难以有效捕获关键信息，需要考虑多模态内容的解析与索引。专业术语和缩写的密集使用，对分词器和实体识别模型的准确性提出了更高要求，避免因词汇歧义导致的召回偏差。特异性字段与单位的存在，使得传统的关键词匹配可能不足以满足精确检索需求，需要结合语义理解和数值范围查询能力。此外，不同来源文档的数据格式差异大，增加了统一索引和检索的难度，要求在数据预处理阶段进行标准化和归一化处理，以提升检索的准确性和一致性。
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 | 兼顾语义完整性和片段召回效率，避免过长分段稀释关键信息，过短分段丢失上下文。 |
分段重叠长度 | 100–150 字符 | 确保跨分段的关键信息能够被有效关联，减少边界效应带来的信息丢失。 |
相似度阈值 | 按实测标定 | 针对 CAR-T 领域术语的语义接近度进行校准，确保高相关性结果被召回，并过滤噪声。 |
召回条数 | 8–12 条 | 综合考虑检索性能与结果覆盖度，为后续重排提供足够多样性的候选集。 |
重排返回条数 | 3–5 条 | 聚焦用户最可能需要的高质量信息，减少冗余，提升最终呈现的有效性。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对大型临床试验报告或复杂专利文档解析耗时较长的情况，防止解析中断。 |
容易做错的三处
- 现象：检索结果中出现大量无关或低相关性的文档片段。原因：分段策略未能有效识别 CAR-T 领域特有的逻辑结构，导致一个文档中的多个不相关主题被混淆。
- 现象：用户查询特定细胞因子浓度范围时，无法召回包含相应数值的文档。原因：知识库索引未将数值型字段进行独立解析和索引，导致数值查询被当作普通文本匹配处理。
- 现象：飞书文档中的表格内容无法被有效检索。原因：文档解析器对表格内部数据结构识别不足，未能将其转换为可索引的文本或结构化数据。
怎么确认配好了
- 对核心 CAR-T 研发概念和术语进行查询，验证检索结果是否包含权威文献和关键实验数据。
- 构建包含数值范围、特定单位的查询，检查知识库能否准确召回包含相应数据点的文档片段，并比对实际数值。
- 选取不同格式（如 PDF、Word、飞书文档）的 CAR-T 研发文档，验证其内容（包括图表、表格旁白）是否能被成功解析和检索。
- 通过模拟实际研发场景中的复杂查询，评估召回结果的相关性和完整性，并根据反馈调整
相似度阈值和召回条数。
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。