这个品类的数据长什么样
CAR-T 细胞治疗的药物警戒数据具有高维度、异构性强的特点。数据来源包括临床试验报告、真实世界研究（RWE）数据、电子病历（EHR）、患者报告结局（PROs）以及监管机构提交的上市后监测报告。这些数据更新频率不一，临床试验数据通常在研究阶段性报告时更新，而上市后监测数据则可能按季度或年度提交。文档结构上，数据常以非结构化文本（如医学叙事、不良事件描述）与半结构化数据（如表格形式的实验室指标、诊断代码）混合存在。字段方面，除了常见的不良事件（AE）类型、严重程度、发生时间等，还会包含特异性的细胞因子释放综合征（CRS）分级、免疫效应细胞相关神经毒性综合征（ICANS）评分、CAR-T 产品批次号、淋巴细胞清除方案等。单位方面，会涉及细胞计数（如 cells/μL）、细胞因子浓度（如 pg/mL）等生物标志物指标。
这些特征在「部署与升级」这一环带来什么约束
CAR-T 细胞治疗药物警戒数据的异构性与高维度，对 FastGPT 的部署与升级提出了特定要求。数据源的多样性意味着需要健壮的数据接入能力，能够处理多种格式的文档和数据库连接。更新频率的不一致性要求知识库的更新机制支持增量更新与周期性全量重构的灵活配置，避免不必要的资源消耗。非结构化文本的占比高，决定了对自然语言处理（NLP）能力的依赖，特别是对医学术语和临床语境的理解深度。特异性字段的存在，如 CRS 分级、ICANS 评分等，需要定制化的实体识别与信息抽取模型，确保这些关键信息的准确捕获。这些特性共同约束了 FastGPT 在数据预处理、模型选择、知识库构建策略以及资源配置上的具体实践，以适应 CAR-T 药物警戒的专业需求。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 200 MB | 临床试验报告和真实世界研究文档常包含大量图表与详细文本，文件体积较大。 |
maxContext | 3000 Tokens | 应对医学叙事和不良事件描述中的长文本内容，确保上下文完整性。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 大文件解析和复杂结构文档处理需要更长的超时时间，避免解析失败。 |
分段长度 | 500–800 字符 | 兼顾医学概念的完整性与召回的精细度，避免关键信息被截断。 |
相似度阈值 | 0.75 | 确保召回与 CAR-T 特异性不良事件高度相关的知识片段，减少噪音。 |
重排返回条数 | 前 5 条 | 在高相似度召回基础上，通过重排进一步提升关键信息的优先级。 |
容易做错的三处
- 现象：知识库更新后部分不良事件描述未能正确识别或关联。原因：缺乏针对 CAR-T 特有术语（如
神经毒性综合征、细胞因子风暴）的定制化实体识别规则。 - 现象：数据导入任务频繁超时，尤其是在处理大型临床试验报告时。原因：
PARSE_FILE_TIMEOUT_SECONDS设置过低，不足以处理包含大量非结构化文本和复杂表格的 PDF 文件。 - 现象：在私有化部署环境中，AI 模型推理速度明显低于预期，导致用户响应延迟。原因：部署环境未充分配置 GPU 资源，或
bge-m3等大型嵌入模型未充分利用 GPU 加速，导致计算瓶颈。
怎么确认配好了
- 选取至少 5 份代表性的 CAR-T 临床试验报告和真实世界研究文档，执行完整的数据导入流程，检查所有关键字段（如
CRS 分级、ICANS 评分、CAR-T 产品批次）是否被准确抽取并存储。 - 模拟 10 个以上涉及 CAR-T 特定不良事件的查询，评估召回结果中包含特异性术语的知识片段比例，该比例应显著高于通用药物警戒查询。
- 监控知识库更新任务的执行日志，确认所有类型的数据源（如 PDF、JSON、数据库记录）都能在预设的
PARSE_FILE_TIMEOUT_SECONDS内完成处理，未出现超时错误。 - 检查系统日志中是否有关于
FastGPT容器或bge-m3模型服务异常的报错信息，确保所有组件正常运行。
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。