这个品类的数据长什么样
CMC (Chemistry, Manufacturing, and Controls) 研究在药物警戒领域的数据主要来源于药品研发、生产及上市后的质量控制报告。这些数据通常以结构化与非结构化文档混合的形式存在，包括工艺验证报告、稳定性研究报告、质量标准、批生产记录、检验报告以及变更控制文件。更新频率相对较低，主要发生在药品生命周期的关键节点，如临床试验阶段、上市申请、重大变更或年度质量回顾。文档长度差异大，从几页的检验单到数百页的工艺验证报告均有。字段与单位具有高度专业性，例如“含量（%）”、“溶出度（min）”、“杂质谱（ppm）”等，对数值精度和化学命名有严格要求。
这些特征在「向量模型与索引」这一环带来什么约束
CMC 研究数据的专业性与多样性对向量模型与索引提出了特定要求。首先，文档中包含大量化学结构式、专业术语和缩写，通用向量模型可能难以准确捕捉其语义信息，需要针对生物医药领域进行微调或采用专业领域模型。其次，数据更新频率低但单次更新量大，意味着索引过程可能耗时较长，需要支持增量索引与高效的全量重建机制。文档长度差异大，要求向量切分策略能够适应不同长度的文本，既要保证上下文完整性，又要避免单块过大导致索引效率低下。最后，字段与单位的精确性要求，提示在向量化时需保留数值信息及单位的关联性，避免单纯的文本嵌入丢失关键量化数据。
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 | 平衡上下文完整性与检索效率，避免过长文本稀释关键信息。 |
分段重叠长度 | 50–100 字符 | 确保段落间上下文的连续性，减少信息丢失。 |
相似度阈值 | 0.7–0.8 | 确保召回内容的专业相关性，降低误报率，需根据实际验证数据调整。 |
召回条数 | 前 8–12 条 | 考虑到CMC文档的复杂性与信息密度，增加召回量以覆盖更多潜在关联。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型PDF或复杂结构文档时，预留充足解析时间。 |
embeddingModel | bge-large-zh-v1.5 或 text-embedding-ada-002 | 兼顾中文专业术语处理能力与模型性能，或选择通用高性能模型。 |
容易做错的三处
- 知识库长时间显示“索引中”：通常是由于处理大型或复杂文档时，
PARSE_FILE_TIMEOUT_SECONDS参数设置过低，导致文件解析超时。 - 检索结果相关性差：可能是
相似度阈值设置过高，过滤掉了部分相关度略低但有价值的结果；或者向量模型未能很好地理解CMC领域的专业术语。 - 部分字段值在检索结果中缺失：文档切分策略不当，例如
分段长度过短，导致含有关键数值和单位的句子被不完整切分。
怎么确认配好了
- 上传典型CMC研究报告（如工艺验证报告、稳定性研究报告），观察知识库索引状态是否正常完成。
- 针对报告中的特定专业术语和关键数据（例如“杂质 A 含量 0.05%”），进行检索，检查召回结果是否包含这些信息且上下文完整。
- 测试不同
相似度阈值下的检索效果，通过人工评估确定能够平衡召回率与准确率的阈值范围。 - 检查日志输出，确认文件解析过程无异常报错，特别是与超时相关的错误信息。
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。