这个品类的数据长什么样
家用医疗药物警戒数据主要来源于患者自填报告、智能设备监测数据、居家护理人员记录以及药店或电商平台的销售记录。这些数据更新频率高，患者自填报告可能每周甚至每天更新，智能设备数据则是持续实时传输。文档结构通常包含非结构化的自由文本描述（如患者感受、不良事件发生过程），以及结构化的字段（如产品型号、批次、用药剂量、发生时间、症状代码、生命体征读数）。特别之处在于，自由文本中常包含口语化表达、错别字以及医学术语与日常用语的混杂。结构化字段涉及医疗器械特有的单位（如 mmHg、mmol/L），且报告中常缺乏完整的医学诊断。
这些特征在「向量模型与索引」这一环带来什么约束
高更新频率要求向量索引能够支持高效的增量更新，避免频繁全量重建。数据源的多样性与口语化表达，对预训练模型的领域适应性提出挑战，通用模型可能难以准确捕捉家用医疗场景下的语义 nuances。自由文本和结构化数据的混合，意味着需要混合检索策略。口语化、错别字与医学术语混杂的文本，要求分词器和文本清洗流程具备鲁棒性，以确保向量化质量。结构化字段的单位与特定值范围，在检索时需要精确匹配或范围查询能力，单纯的语义相似度可能不足以满足需求。缺乏完整医学诊断，意味着模型需要从症状描述中推断潜在不良反应，对上下文理解能力要求更高。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 800–1200 字符 | 平衡上下文完整性与向量化效率，适应患者描述的长度 |
召回条数 | 15–20 条 | 确保覆盖足够多的潜在相关信息，应对口语化描述的多样性 |
相似度阈值 | 按实测标定 | 依据实际检索效果，平衡召回率与准确率，建议初始设置 0.7 |
重排返回条数 | 5 条 | 集中展示最相关的结果，提升用户阅读效率 |
embedding_model_version | bge-m3 或 E5-large-v2 | 兼顾多语言能力与领域适应性，对口语化文本有较好表现 |
index_update_frequency | 每 12 小时 | 适应数据高更新频率，确保索引时效性 |
容易做错的三处
- 现象：新添加的嵌入模型，索引后搜索报错
ValueError: Empty vector。 原因：原始文档内容为空或文本清洗后内容为空，导致向量化失败。 - 现象：语义检索返回的结果与预期偏差大，例如搜索“血糖高”却返回大量关于“血压”的结果。 原因：使用的嵌入模型领域适应性不足，未能准确捕捉家用医疗场景下的疾病症状与体征词汇的深层语义。
- 现象：结构化字段如
product_batch无法通过语义检索准确匹配，即使文本中明确提及。 原因：向量模型侧重语义相似度，未能充分利用结构化数据的精确匹配特性，需要结合关键词或精确查询。
怎么确认配好了
- 选取一批包含口语化表达和医学术语的测试查询，检查召回结果中是否包含所有预期的相关文档，并评估其排序。
- 对高频更新的文档进行增量索引，观察索引更新耗时与查询响应时间，确保在可接受范围内。
- 针对特定产品型号或批次等结构化字段，设计包含这些字段的查询，确认能够准确召回目标文档，并检查
相似度阈值设置是否合理。
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。