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，其数据源主要来自药物研发过程中的实验记录、生产批次报告、质量控制文件和稳定性研究报告。这些数据通常以结构化或半结构化的文档形式存在，例如实验方案、分析方法验证报告、生产操作规程 (SOP)、偏差报告、变更控制记录以及批生产记录。数据更新频率与药物的研发阶段和生产批次紧密相关，研发阶段可能每周甚至每天有更新，而上市后生产批次数据则按批次生成，月度或季度汇总。文档结构复杂，包含大量专业术语、化学结构式、图表和数据表格。关键字段包括批号、生产日期、有效期、检测项目、检测结果、单位（如 ppm, % w/w, mg/mL）、设备编号、操作人员签名和日期。
这些特征在「引用来源与溯源」这一环带来什么约束
CMC 研究数据的多样性和专业性对引用来源与溯源提出了特定要求。首先，复杂的文档结构意味着需要高效的文本分段策略，以确保引用片段的完整性和上下文关联性，避免因截断导致的信息丢失。其次，大量专业术语和化学结构式，要求向量模型具备高度的语义理解能力，能够准确识别并关联相关信息。如果检索粒度过粗，可能导致返回的引用缺乏特异性。再次，数据更新频率的差异，特别是研发阶段的高频更新，要求知识库能够快速索引新数据并及时反映在引用中，以保障溯源的时效性。最后，对批号、检测结果等关键字段的精确匹配需求，使得单纯的语义检索不足以满足要求，需要结合关键词检索或元数据过滤，确保溯源的准确性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 300–500 字符 | 兼顾语义完整性和检索粒度，避免过长段落稀释关键信息，过短段落丢失上下文。 |
召回条数 | 10–15 条 | 确保覆盖多个潜在相关来源，应对复杂查询中多角度信息的整合需求。 |
相似度阈值 | 0.75–0.82 | 针对专业术语多的特点，提高阈值以过滤掉低相关度的通用性内容。 |
重排返回条数 | 3–5 条 | 在高召回率基础上，精选最相关的引用，提升最终回复的聚焦性。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 考虑到大型实验报告或批生产记录文件解析的潜在耗时。 |
maxContext | 3000–4000 token | 确保 LLM 能够接收并处理足够多的引用上下文，进行准确的溯源分析。 |
容易做错的三处
- 现象：AI 回复中引用的批次号或检测结果与原始文档不符，甚至出现幻觉的批次信息。原因：向量检索时，对数字和特定标识符的精确匹配能力不足，过度依赖语义相似性导致误判。
- 现象：在连续追问关于某个批次变更影响时，AI 无法联系上下文，第二次提问开始答非所问。原因：
maxContext参数设置过小，导致 LLM 在处理多轮对话时丢失了先前的引用内容和对话历史。 - 现象：上传新的稳定性研究报告后，AI 在检索时未能及时引用新数据。原因：知识库索引更新频率或策略配置不当，导致新数据未能被及时纳入检索范围。
怎么确认配好了
- 选择一份包含关键批次信息和检测结果的CMC文档，提问查询特定批次的某个检测指标，检查AI回复中引用的批次号、检测值及来源文档是否与原始数据完全一致。
- 针对一个复杂的变更控制流程，进行多轮对话，逐层深入提问，核对AI能否在每一轮对话中持续引用与当前问题相关的文档片段，并保持逻辑连贯性。
- 定期上传新的生产批次报告或研发进展文件，在文件上传完成后，立即进行相关查询，验证新数据能否被准确检索并引用，以此评估知识库的更新效率。
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。