这个品类的数据长什么样
CMC（化学、制造与控制）研究的研发文档主要包括实验记录、分析报告、批生产记录、稳定性研究报告等。这些文档通常以 PDF、DOCX 或扫描件形式存在，内容涉及化合物结构、合成路线、工艺参数、质量标准、分析方法、杂质谱、稳定性数据等。数据更新频率相对较低，主要发生在研发阶段性里程碑或批次生产完成后。文档结构复杂，包含大量表格、图谱（如 HPLC、GC-MS、NMR）和专业术语。字段具有强烈的专业性和规范性，如“反应温度”、“进料速率”、“产率”、“纯度”、“含量”、“杂质限度”等，且常伴随明确的单位，如“℃”、“mL/min”、“%”、“ppm”、“mg/g”。
这些特征在「多轮对话与提示词」这一环带来什么约束
CMC 研发文档的复杂结构和专业性对多轮对话与提示词设计提出了特定要求。首先，文档中包含的图谱和表格信息，需要先进的 OCR 或多模态解析能力，确保这些非文本数据能够被有效识别和结构化，否则对话中无法准确引用相关数据。其次，专业术语和单位的精确性要求，使得提示词需强调对这些信息的识别和提取，避免模型在理解或生成时产生歧义。例如，对于“纯度”，需要明确是“HPLC 纯度”还是“GC 纯度”。多轮对话场景下，用户可能在不同轮次追问特定批次的详细工艺参数或杂质分析结果，这要求系统能够准确回溯和关联上下文中的实体信息，例如，在问及某个杂质的含量时，后续对话能自动关联到前一轮提及的特定批次或分析方法。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8 | 确保对话能覆盖最近的关键信息，适应 CMC 研发文档的上下文关联需求。 |
分段长度 | 800–1200 字符 | 兼顾长文本理解和信息密度，避免关键工艺参数或分析结果被截断。 |
召回条数 | 前 5 条 | 平衡召回效率与相关性，确保能获取到多个相关文档片段支持对话。 |
相似度阈值 | 按实测标定 | 确保召回的文档片段与用户查询高度相关，过滤掉不相关的实验记录。 |
重排返回条数 | 3 | 优化最终呈现给模型的上下文，提高关键信息在多轮对话中的权重。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 适应大型实验报告或批生产记录的解析时间，避免解析超时。 |
容易做错的三处
- 现象：AI 对话返回内容为空，或仅包含通用性回复。原因：文档解析失败导致知识库中缺乏可检索的结构化信息，或者提示词未能有效引导模型从复杂文档中提取特定字段。
- 现象：多轮对话中，AI 无法准确关联前一轮提到的特定批次或化合物，导致信息错乱。原因：上下文管理机制不足，未将对话历史中的关键实体（如批次号、物质名称）作为独立的上下文变量进行追踪和传递。
- 现象：查询图谱或表格数据时，AI 返回“无法找到相关信息”。原因：底层的 OCR 或多模态解析工具未能成功识别文档中的图表内容，导致这些信息未被结构化存储或索引。
怎么确认配好了
- 选择一份包含复杂表格和图谱的 CMC 研发文档，进行上传和解析，核对解析结果是否准确识别了所有关键字段、数值和单位。
- 针对特定批次或化合物，发起多轮对话，逐步深入提问其合成工艺、质量标准和杂质分析结果，确认 AI 能在对话中准确关联上下文并给出一致的回答。
- 测试查询文档中某个具体图谱（例如 HPLC 色谱图）或表格（例如稳定性数据表）所包含的信息，确认 AI 能够引用或描述这些非文本数据。
- 模拟用户在对话过程中提出模糊或不完整的查询，观察 AI 是否能通过追问或提示，引导用户提供更精确的信息，以达到有效检索。
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。