这个品类的数据长什么样
siRNA 核酸药的质量文档主要源于药物研发、生产与注册申报过程中的各类报告与记录。数据来源包括但不限于合成工艺验证报告、纯度分析报告、稳定性研究报告、批生产记录、质量标准文件以及各国药监机构（如 FDA、EMA、NMPA）发布的指导原则。这些文档的更新节奏通常与药物研发阶段和生产批次紧密相关，例如临床试验阶段可能每季度有更新，商业化生产阶段则可能随批次或年度回顾进行修订。文档结构普遍遵循 GxP 规范，包含大量结构化与半结构化数据，如实验数据表、图谱、图示、文本描述、批号、日期、仪器型号、试剂批次等。字段与单位具有高度专业性，例如“纯度”通常以百分比表示，“核酸序列”为特定碱基排列，“残留溶剂”以 ppm 或 ppb 为单位，“粒径”以纳米（nm）计，“内毒素”以 EU/mg 表示。
这些特征在「知识库检索与召回」这一环带来什么约束
siRNA 核酸药文档的专业性和结构化特性，对知识库检索与召回提出了多重约束。其高度专业化的词汇和缩写要求分词器能准确识别领域术语，避免语义丢失。文档中嵌入的实验数据、图谱和表格等非文本信息，意味着单纯的文本向量化可能不足以捕捉全部语义，需要考虑多模态或更精细的文本解析策略。更新频率虽然不是极高，但每次更新可能涉及关键参数或标准的修订，要求知识库具备高效的增量更新机制，确保召回内容的实时性。此外，不同批次或研究阶段的文档可能存在细微差异，对检索结果的精确性和上下文匹配度要求极高，错误的召回可能导致严重的合规风险。文档中包含的特定字段与单位，如 纯度 (Purity)、粒径 (Particle Size) 等，在检索时需要能精确匹配或理解其数值范围。
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 | 平衡上下文完整性与向量化效率，避免长段落稀释关键信息或短段落上下文不足。 |
分段重叠 | 50–100 字符 | 确保跨段落的关键信息关联性，尤其适用于包含表格或图注的复杂文档。 |
召回条数 | 5–8 条 | 综合考虑召回精度和后续重排或 LLM 处理的效率，避免无关信息干扰。 |
相似度阈值 | 按实测标定 | 根据具体语料和检索需求进行 0.75–0.85 范围内的微调，确保高相关性。 |
重排返回条数 | 3–5 条 | 进一步精炼召回结果，提升最终呈现给用户的准确性和相关性。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对大型 PDF 或包含复杂图表的文档解析，防止因超时导致文件处理失败。 |
容易做错的三处
- 上传 PDF 后搜索测试结果为空：原因可能是文件解析超时或格式不兼容，导致文档内容未能被正确提取和向量化。
- 知识库未能被调用或回答内容有误：可能由于
相似度阈值设置过高，导致相关文档未能被召回；或者分段长度不合理，关键信息被切割，影响了向量化质量。 - 工作流中提取知识库信息为空：这通常是由于在检索时未能提供足够明确或包含专业术语的查询，导致知识库无法找到匹配的段落。
怎么确认配好了
- 进行一系列包含 siRNA 核酸药专业术语和关键参数（如
siRNA 纯度、LNP 粒径、内毒素限值）的测试查询，检查召回结果是否包含预期的质量标准或实验数据。 - 针对不同结构（纯文本、表格、图谱描述）的文档，分别上传并执行搜索测试，核对
召回条数和相似度阈值是否能稳定召回高相关性内容。 - 模拟实际业务场景，使用包含多轮对话上下文的查询，评估知识库召回内容在上下文中的准确性和连贯性，并根据业务专家反馈调整
分段长度和分段重叠。
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。