这个品类的数据长什么样
CAR-T 细胞治疗的药物警戒数据主要来源于临床试验报告、真实世界研究（RWE）数据、患者随访记录、医学文献以及药品监管机构提交的不良事件报告。这些数据更新频率较高，尤其是在新产品上市初期或适应症扩展后。文档结构多样，包括非结构化的自由文本（如医生手写记录、患者自述）、半结构化的表格数据（如不良事件报告表）、以及结构化的电子病历数据。数据字段特别之处在于其高度专业化的医学术语，涉及细胞因子风暴（CRS）、免疫效应细胞相关神经毒性综合征（ICANS）等特有不良反应，以及细胞产品批次信息、输注剂量、细胞活性等关键参数。单位方面，除了常规的剂量、时间单位，还常出现细胞数量（例如 10^6 cells/kg）、细胞活力百分比等。
这些特征在「向量模型与索引」这一环带来什么约束
CAR-T 细胞治疗数据的高度专业性和术语特异性，要求向量模型能准确捕捉医学概念的细微差别，避免泛化不足。非结构化文本的存在，增加了预处理和分段的复杂性，需要更精细的文本切分策略以保持语义完整性。高更新频率的数据流，对索引的实时性与增量更新能力提出了挑战，传统全量重建索引的方式效率低下且资源消耗大。多样化的文档结构意味着需要灵活的文本嵌入策略，既要处理好长文本的整体语义，也要能从表格和结构化数据中提取关键信息。此外，涉及细胞批次、剂量等关键参数，要求向量检索不仅能匹配语义，还能支持基于特定实体或数值范围的过滤和排序，这超出了简单语义检索的能力。
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 | 平衡语义完整性与向量模型处理能力，确保包含完整医学概念。 |
重叠长度 | 100-150 字符 | 保证分段间的上下文连续性，减少语义割裂风险。 |
召回条数 | 15-25 条 | 在保证检索覆盖率的前提下，为重排提供足够多样的候选。 |
相似度阈值 | 0.75-0.85 | 针对医学术语的精确匹配要求，避免召回不相关的泛化结果。 |
索引更新策略 | 增量更新 | 应对高频数据更新，减少全量索引重建的资源消耗与时间延迟。 |
向量模型 | text-embedding-3-large | 具备较强的医学语义理解能力，能区分细微的专业术语差异。 |
容易做错的三处
- 知识库检索响应慢：原因在于单次处理的文本量过大或向量数据库索引优化不足，导致查询延迟。
- 数据集中的数据自动增加：这通常是由于系统配置了自动同步或定时抓取外部数据源，并将新数据作为新增条目添加到现有数据集中。
- 索引模型卡住不动：可能是因为选择的嵌入模型对资源要求较高，或网络连接不稳定导致模型下载或调用失败。
怎么确认配好了
- 选取典型 CAR-T 细胞治疗不良反应描述，例如“细胞因子风暴”、“ICANS”，进行检索，观察召回结果的相关性与排名，评估
相似度阈值的合理性。 - 模拟新增一批不良事件报告，检查索引更新后，新数据是否能被及时检索到，评估
索引更新策略的有效性。 - 针对包含特定细胞批次号或剂量单位（如
10^6 cells/kg）的查询，检查检索结果是否能精确匹配或筛选出相关记录，验证向量模型对实体和数值的理解能力。
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。