这个品类的数据长什么样
CMC (Chemistry, Manufacturing, and Controls) 研究的数据主要来源于药物研发过程中的实验记录、分析报告、批生产记录、稳定性研究报告等。这些文档的更新频率通常与研发阶段和实验进度同步，例如，临床前阶段可能每周更新，临床阶段则可能每月或每季度进行批次更新。文档结构上，CMC 报告常包含明确的章节标题，如“原料药概述”、“生产工艺”、“质量控制”、“稳定性研究”等。字段与单位具有高度专业性，例如“纯度 (%)”、“杂质含量 (ppm)”、“溶出度 (mg/L)”、“批次号”、“生产日期 (YYYY-MM-DD)”等，且这些字段往往嵌套在表格或特定格式的文本块中。
这些特征在「知识库检索与召回」这一环带来什么约束
CMC 研发文档的专业性和结构化特点，对知识库的检索与召回提出了特定要求。首先，文档中包含大量专业术语和缩写，需要召回系统能精准识别并匹配。其次，关键信息常以表格形式呈现，单纯的文本分段可能破坏表格的语义完整性，导致检索结果不准确。例如，一个批次的生产参数可能分散在多行多列中。再次，字段与单位的精确性要求，使得模糊匹配或泛化匹配容易引入错误信息，例如将“纯度”与“含量”混淆。此外，文档更新频率较高，要求知识库能够支持高效的增量更新，并确保新旧版本信息的正确关联与区分，避免检索到过时或错误的数据。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 800–1200 字符 | CMC 文档段落较长，包含多项关联信息，需保证上下文完整性。 |
分段重叠 | 50–100 字符 | 确保跨段落的关键信息关联性，尤其在表格或列表前后。 |
召回条数 | 前 5–8 条 | CMC 查询通常需要更多上下文来综合判断，避免遗漏关键数据点。 |
相似度阈值 | 0.75–0.85 | 高专业度内容要求较高的匹配精度，减少非相关结果。 |
重排返回条数 | 前 3 条 | 在保证召回广度的前提下，通过重排聚焦最相关且精确的结果。 |
UPLOAD_FILE_MAX_SIZE | 200 MB | CMC 报告常包含大量图表和详细数据，文件较大。 |
容易做错的三处
- 检索结果与提问内容关联度低：原因在于分段策略不当，导致关键信息被拆散或上下文缺失，模型无法理解其语义。
- 查询耗时过长或出现
insufficient_quota错误：原因在于知识库规模过大，每次检索和上下文构建消耗资源过多，导致上游服务负载饱和。 - 模型回答中出现数值错误或单位混淆：原因在于知识库未能有效解析文档中的表格数据或带有单位的数值，导致索引时信息丢失或格式不一致。
怎么确认配好了
- 针对典型 CMC 查询，如“某批次某产品的纯度是多少”，检查召回结果是否包含正确的批次号、产品名称和纯度数值。
- 验证知识库更新后，新上传的稳定性研究报告中的关键数据（如特定时间点的降解产物含量）是否能被准确检索。
- 检查文档中复杂表格内的特定行或列数据，通过提问能否准确提取并呈现，例如查询“某工艺步骤的反应温度范围”。
- 模拟高并发查询场景，观察系统响应时间和资源占用情况，确认在预期负载下检索性能稳定。
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。