这个品类的数据长什么样
CAR-T 细胞治疗的质量文档数据主要来源于药企内部的生产控制、质量检验、临床试验报告和法规申报材料。这些文档包括批生产记录、检验报告、偏差管理、变更控制、验证报告、供应商审计记录等。数据更新频率较高，尤其在生产批次放行前，相关检验数据会集中录入。文档结构通常遵循 GMP/GCP 规范，以 PDF、Word 或结构化数据库记录形式存在，包含大量表格、图表和文本描述。字段与单位具有高度专业性，例如细胞计数 (cells/µL)、病毒载量 (copies/mL)、转导效率 (%)、无菌检测结果 (CFU/mL)、内毒素水平 (EU/mL) 等，对数值精度和单位一致性要求严格。
这些特征在「工作流编排」这一环带来什么约束
CAR-T 细胞治疗质量文档的专业性和高更新频率，对工作流编排提出了特定要求。首先，文档中大量专业术语和缩写需要定制化的词汇表和实体识别模型，确保信息抽取的准确性。其次，批生产记录和检验报告的强关联性，要求工作流能够处理多文档之间的引用和交叉验证，例如将批生产记录中的关键参数与检验报告中的结果进行比对。由于数据更新频繁，工作流需支持增量更新和版本控制，确保始终处理最新版本的数据。此外，严格的法规遵循要求工作流具备审计追踪能力，记录每次文档处理、信息抽取和决策过程，以便追溯和验证。对精度和单位的严格要求，使得工作流中的数值解析和单位转换模块至关重要，避免因单位不匹配导致的数据误读。
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 | 兼顾专业术语的完整性和上下文关联性，避免语义被截断。 |
召回条数 | 前 10–15 条 | 质量文档之间存在复杂引用关系，增加召回量提升关联性发现几率。 |
相似度阈值 | 0.75–0.85 | 确保召回内容的专业相关性，过滤掉干扰信息，但不过滤掉有价值的细微差异。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | CAR-T 质量文档通常包含大量嵌入式表格和图表，解析耗时较长。 |
maxContext | 32000 token | 承载批次报告、检验结果等多个关联文档的上下文，确保完整性。 |
嵌入模型 | text-embedding-ada-002 | 对专业领域文本的语义理解能力较强，能更好捕捉专业词汇的相似性。 |
容易做错的三处
- 工作流执行超时或解析失败，常见于处理包含大量扫描件或复杂表格的 PDF 文档，原因在于
PARSE_FILE_TIMEOUT_SECONDS设置过低，文档解析未能及时完成。 - 关键字段（如批号、生产日期、细胞计数）提取为空或错误，通常是由于未针对 CAR-T 领域特有的文档模板和专业术语进行定制化的实体识别配置。
- 在多文档比对环节，结果出现数据不一致或逻辑错误，其根源在于工作流编排中未充分考虑文档版本控制或未正确处理跨文档数据引用，导致比对的是旧版本或不相关的文档。
怎么确认配好了
- 选取至少三个完整批次的生产记录、检验报告和放行文件，运行工作流，核对关键数据字段（如
批号、生产日期、无菌检测结果）的提取准确性。 - 随机抽取 5-10 份历史质量文档，验证工作流在检索与这些文档相关的信息时，其
召回条数和相似度阈值设定是否能有效召回所有相关文档，并排除不相关的文档。 - 模拟一次偏差处理流程，输入一份偏差报告，检查工作流能否准确关联到对应的批生产记录、检验报告以及变更控制记录，并验证其上下文理解是否符合实际业务逻辑。
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。