供应商审计药物警戒的向量模型与索引

供应商审计在药物警戒领域涉及的数据主要来源于审计报告、CAPA（纠正与预防措施）文档、供应商资质证明、SOP（标准操作规程）以及历史不良事件处理记录。这些文

这个品类的数据长什么样

供应商审计在药物警戒领域涉及的数据主要来源于审计报告、CAPA（纠正与预防措施）文档、供应商资质证明、SOP（标准操作规程）以及历史不良事件处理记录。这些文档通常以 PDF、Word 或扫描件形式存在。数据更新频率相对较低，主要在定期审计后或发生重大变更时进行。审计报告结构化程度较高，包含审计发现、风险等级、建议措施等字段。CAPA 文档则侧重于问题描述、根本原因分析、实施计划及验证结果。字段中可能包含药品批次号、供应商代码、审计日期、不符合项编号、风险评分等，单位多为日期、文本描述或枚举值。

这些特征在「向量模型与索引」这一环带来什么约束

供应商审计文档的低更新频率意味着初始索引构建后，增量更新的压力较小，可以将更多资源投入到高质量的初始向量生成上。文档中包含大量结构化信息和关键实体，例如供应商名称、药品批次、具体不符合项描述，这些信息需要在向量化过程中得到有效编码。扫描件的存在要求在向量化前进行高质量的 OCR 识别，否则会导致信息丢失，影响召回准确性。审计报告和 CAPA 文档往往篇幅较长，需要合理的分段策略，避免单个文本块过大稀释关键信息，或过小导致上下文不足。字段如风险评分、不符合项编号等，虽然是数字，但其语义重要性高，需要确保向量模型能够捕捉其与文本描述之间的关联。

配置怎么定

配置项建议取法这样取的依据
embeddingModelmultimodal-embedding-v1兼顾多模态信息，如审计报告中的图表或扫描件处理。
分段长度800–1200 字符平衡上下文完整性与关键信息密度。
分段重叠长度100 字符确保分段边界上下文的连续性。
PARSE_FILE_TIMEOUT_SECONDS600 秒应对大型审计报告和扫描件的 OCR 处理时间。
召回条数前 10 条确保初期召回足够多的潜在相关文档块。
相似度阈值按实测标定需根据实际查询场景和数据分布进行调整。

容易做错的三处

  • 文档长时间索引未完成，常见原因是文件过大或包含大量图片导致 OCR 处理超时，或 PARSE_FILE_TIMEOUT_SECONDS 参数设置过小。
  • 检索结果中关键实体信息缺失，通常是由于向量模型选择不当，未能有效处理文档中的结构化或半结构化字段。
  • 针对相同审计发现的多次查询，返回结果一致性差，可能是因为文档分段策略不合理，导致语义相近的信息被拆分到不同的向量块中。

怎么确认配好了

  • 上传一份典型的供应商审计报告和一份 CAPA 文档，检查是否能正常完成索引，且无报错提示。
  • 对比源文档中的关键信息（如不符合项编号、风险等级），通过检索查询，验证这些信息是否能被准确召回。
  • 构造一些包含供应商名称、药品批次或审计日期的复杂查询，检查召回结果的相关性是否达到预期，并评估召回文档块的完整性。

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。