CMC 研究质量文档的知识库检索与召回

这个品类的数据长什么样

CMC 研究的数据源于药物研发过程中的实验室记录、分析报告、批生产记录、稳定性研究报告、以及注册申报资料等。这些文档更新频率相对较低，通常在项目里程碑节点或法规要求变更时进行修订。文档结构严谨，多为 PDF、Word 或结构化数据库格式，包含大量图表、化学结构式、实验数据、检测方法和结果。字段与单位具有高度专业性，例如“纯度（%）”、“含量（mg/mL）”、“pH值”、“熔点（℃）”，并且常涉及特定批次号、仪器序列号等唯一标识符。

这些特征在「知识库检索与召回」这一环带来什么约束

CMC 研究文档的低更新频率意味着知识库构建后，需要关注增量更新的效率，避免频繁全量重建。文档的严谨结构和多格式特性，要求知识库具备强大的文档解析能力，尤其是对图表和化学结构式内嵌文本的提取。高度专业化的字段与单位，对分词器和嵌入模型的领域适应性提出高要求，通用模型可能无法准确识别“纯度（%）”与“纯度百分比”的语义等效性。此外，批次号等唯一标识符的存在，使得精确匹配和局部召回在特定查询中至关重要，需要避免语义模糊导致的误召回。

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`	确保能捕获完整实验步骤或分析结果，同时避免单段信息量过大稀释主题。
`重叠长度`	`100–200 字符`	维持段落间的上下文连续性，尤其在跨页或跨节内容中，有助于召回完整信息。
`召回条数`	`前 8–15 条`	CMC 查询通常需要多角度信息交叉验证，增加召回条数可提高覆盖率，但需平衡重排计算成本。
`相似度阈值`	按实测标定	需根据具体嵌入模型和数据集调整，保证高相关文档被召回，同时过滤低相关噪声。
`PARSE_FILE_TIMEOUT_SECONDS`	`600 秒`	应对大型 PDF 或 Word 文档解析耗时较长的情况，避免因超时导致文档上传失败。
`embedding_model`	领域特定或大尺寸模型	提升对专业术语、化学结构命名等领域知识的理解能力，增强向量表示的准确性。

容易做错的三处

查询结果中缺少关键实验数据或方法步骤。原因在于文档解析时未能准确提取图表或表格中的文本信息，导致知识库中缺失原始数据。
面对特定批次号的查询，系统返回了其他批次的信息。原因在于分词器未将批次号识别为独立实体，或嵌入模型未能区分不同批次号的唯一性，导致语义匹配混淆。
HTTP 请求工作流未能触发联网搜索，直接返回了 AI 对话结果。原因在于工作流配置中，条件判断逻辑未正确识别查询意图，例如 search_query 字段为空或未达到触发条件。

怎么确认配好了

选取一批包含图表、表格和化学结构式的复杂文档，上传至知识库并检查分段内容，确认关键信息是否被完整提取。
针对特定批次号、化合物名称或检测方法进行精确查询，验证召回结果是否准确指向相关文档和段落。
在工作流中模拟包含联网搜索意图的查询，观察日志输出，确认 http_request 模块是否被正确调用，并返回外部数据。
使用一组涵盖不同专业术语和表达方式的测试问题，评估召回文档的相关性排序，确保高相关性文档排在前面。

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。