这个品类的数据长什么样
抗体偶联药物（ADC）研发文档数据来源多样，主要包括临床试验报告、药物合成记录、药理毒理研究报告、专利文献和监管申报资料。这些文档的更新节奏相对稳定，通常在关键研发节点或临床阶段推进时进行集中更新。文档结构高度复杂，包含大量专业术语、化学结构式、生物通路图以及实验数据表格。字段涵盖靶点选择、偶联技术、载荷毒素、连接子类型、给药途径、药代动力学（PK）、药效学（PD）、生物标志物等。单位涉及摩尔浓度（nM, μM）、剂量（mg/kg）、时间（h, d）、生物活性（IC50, EC50）等，且常伴随特定的实验条件或检测方法描述。
这些特征在「引用来源与溯源」这一环带来什么约束
ADC研发文档的复杂性和专业性，对引用来源与溯源提出了高要求。首先，多源异构的文档格式（PDF、DOCX、XML）需要统一解析，确保所有关键信息都能被有效抽取。其次，文档中大量的专业术语和缩写，要求RAG系统具备高精度的实体识别能力，以避免在引用时出现歧义或信息丢失。第三，实验数据表格的存在，使得简单的文本分段可能割裂数据上下文，影响溯源的准确性，需要对表格内容进行特殊处理。最后，由于ADC研发过程的严格监管要求，对引用的粒度、准确性和可追溯性有极高的标准，任何引用错误都可能导致严重后果，例如引用到错误的批次数据或临床阶段信息。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500–700 字符 | 兼顾语义完整性和召回效率，避免过度截断关键信息。 |
分段重叠长度 | 100–150 字符 | 确保分段之间的上下文连续性，减少语义割裂风险。 |
相似度阈值 | 0.78–0.85 | 平衡召回率与准确率，过滤掉低相关性噪音，同时召回关键专业内容。 |
召回条数 | 8–12 条 | 在保证信息覆盖度的前提下，控制推理成本和响应时间。 |
重排返回条数 | 3–5 条 | 聚焦最相关的引用片段，提高用户获取核心信息的效率。 |
实体识别模型 | 按实测标定 | 针对ADC领域特有实体（如靶点、载荷、连接子）进行优化，确保识别精度。 |
容易做错的三处
- 对话响应中
cite引用ID为空，导致无法追溯具体来源文档和段落。原因在于向量数据库索引构建时，未正确关联原始文档的元数据字段，或解析器未能将分段ID与原始文档路径建立有效映射。 - 知识库搜索结果中，引用卡片展示的变量值与预期不符，或出现“数据类型错误”提示。这通常是由于文档解析时，未正确识别或转换ADC特有的数值单位（如
nM、mg/kg），导致后续引用时类型不匹配。 - 系统在处理包含复杂表格的研发报告时，引用内容缺失表格关键行或列数据，只返回表格标题。原因是文档分段策略未能有效处理表格结构，将表格内容与标题分离，或未将表格转换为可检索的结构化文本。
怎么确认配好了
- 选取10份典型的ADC研发文档，进行问答测试，验证每个回答的
cite引用ID是否均能成功链接到原始文档的精确位置。 - 针对包含PK/PD数据表格的文档，提问涉及具体数值和单位的问题，核对引用返回内容是否完整包含表格中的关键数据点及其正确单位。
- 随机抽取15个引用片段，手动验证其上下文是否完整，是否存在语义中断或关键信息遗漏，尤其是涉及化学结构式或生物通路描述的部分。
- 通过API接口，检查
reference字段返回的引用文本与原始文档内容的一致性，确保无额外修改或截断。
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。