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，主要围绕药品的生产工艺、质量控制、批次信息、稳定性研究、杂质谱分析等。数据来源广泛，包括实验室仪器原始数据、生产批记录、质量检测报告、供应商资质文件、变更控制文档以及监管申报材料等。这些数据更新频率相对稳定，通常在批次生产完成后或质量体系变更时进行集中更新。文档结构以结构化与半结构化数据为主，如 .csv、.xlsx 表格、XML 文件，也有大量的非结构化数据，如 .pdf 格式的分析报告、实验日志与 Word 文档。字段与单位具有高度专业性，例如“杂质含量 (ppm)”、“纯度 (%)”、“降解产物 (μg/mL)”、“批号 (Batch No.)”、“生产日期 (YYYY-MM-DD)”等，对精度和一致性要求极高。
这些特征在「部署与升级」这一环带来什么约束
CMC 研究数据的多源异构性，对部署环境的数据摄入与处理能力提出了要求。结构化数据需要高效的解析与映射机制，非结构化文档则依赖于强大的 OCR 与自然语言处理能力。更新频率的稳定性使得系统需要具备定时数据同步与增量更新的能力，避免全量重新索引带来的资源浪费。文档结构的复杂性要求知识库支持多种文件格式的上传与解析，并能准确识别和提取关键字段。专业性强的字段与单位，在部署时需要配置精确的实体识别模型与单位转换规则，确保在检索和生成时能正确理解和使用这些信息。此外，批次与版本控制信息的重要性，要求知识库具备良好的数据版本管理能力，以支持回溯与审计。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 500 MB | CMC 研究报告常包含大量图表与附件，文件较大 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 大型 PDF 报告解析耗时，避免解析中断 |
分段长度 | 800–1200 字符 | 确保上下文完整性，兼顾检索效率与语义连贯 |
召回条数 | 前 10 条 | 保证初期召回足够多的相关批次与质量控制信息 |
相似度阈值 | 按实测标定 0.75 左右 | 平衡召回精度与召回率，减少不相关结果 |
ENTITY_RECOGNITION_RULES | 包含“批号”、“生产日期”、“杂质含量”等 | 确保核心 CMC 字段的准确识别与提取 |
容易做错的三处
- 应用访问地址无法打开，前端显示加载转圈：通常是
docker-compose.yml中SERVER_URL或WEB_BASE_URL未正确配置，导致前端无法与后端建立连接。 - 上传大型 PDF 报告后，知识库长时间无响应或解析失败：
PARSE_FILE_TIMEOUT_SECONDS配置过低，未能给模型足够时间处理复杂的非结构化文档。 - 更新 FastGPT 版本后，部分历史数据查询结果异常：数据库迁移脚本未正确执行或数据模型兼容性问题，导致旧数据字段映射错误。
怎么确认配好了
- 上传一份包含多个批号、生产日期及杂质含量信息的复杂 PDF 报告，检查知识库能否正确解析并提取出这些关键字段。
- 通过 API 接口，上传一份超过 200MB 的分析报告，观察系统能否在
600 秒内完成解析并返回成功状态码。 - 使用包含特定批号和质量标准的查询语句，验证召回结果中是否包含至少
前 10 条相关的生产批次记录。 - 执行一次完整的系统升级流程，验证升级后所有历史知识库数据是否可正常访问和查询，且无数据丢失。
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。