这个品类的数据长什么样
实体瘤相关的质量文档主要来源于临床试验报告、药品注册申报资料、生产批记录、质量标准、检验方法、稳定性研究报告以及变更控制文件。这些文档更新频率相对较低，通常与药物研发阶段、注册申报或生产工艺变更周期保持一致，一年内可能仅有数次重大更新。文档结构以层级式为主，包含大量表格、图表和结构化文本。字段涵盖剂量、给药途径、药代动力学参数、毒理学数据、临床疗效指标（如ORR、PFS、OS）、不良事件编码（如MedDRA）、检验结果单位（mg/mL, nM, IU/mg）以及批次号、生产日期等。
这些特征在「向量模型与索引」这一环带来什么约束
实体瘤质量文档的层级结构和大量表格图表，要求向量模型在文本切分时能有效识别并关联上下文，避免表格行数据与表头脱离，或图表描述与图表本身割裂。较低的更新频率意味着知识库构建初期需要一次性处理大量历史数据，后续增量更新压力较小，但要求索引具备高稳定性。文档中特有的医学术语、基因名称、药物分子式、不良事件编码等，对向量模型的领域语义理解能力提出较高要求，通用模型可能难以准确捕捉这些专业词汇的深层含义。此外，多样的单位和数值字段，在向量化时需特别注意数值本身的量级和单位信息，避免单纯的文本嵌入导致数值比较失真。
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 | 实体瘤文档上下文关联性强，长分段有助保留完整语义，减少信息碎片化。 |
分段重叠 | 150–250 字符 | 确保分段边界的上下文连续性，避免关键信息被切断。 |
相似度阈值 | 0.75–0.82 | 提高召回精度，减少无关结果，适应专业术语的精确匹配需求。 |
召回条数 | 5–8 条 | 保证检索结果的全面性，覆盖可能相关的多个文档片段。 |
重排返回条数 | 前 3 条 | 进一步精炼结果，优先呈现最相关且信息密度高的片段。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对大型临床试验报告或注册资料的复杂解析，避免超时。 |
容易做错的三处
- 知识库上传后，状态长时间显示“索引中”：通常是由于文档包含大量复杂表格或嵌入对象，解析耗时过长，超出了默认的
PARSE_FILE_TIMEOUT_SECONDS设置。 - 搜索结果中，引用内容与表格数据脱节：源于文档切分策略未能有效处理表格结构，导致表格行数据与表头在不同分段中，失去语义关联。
- 向量化后，对药品剂量、检验结果等数值字段的检索效果不佳：模型未能充分理解数值及其单位的领域含义，将数值视为普通文本，影响了相似度计算的准确性。
怎么确认配好了
- 上传多个包含复杂表格、图表和专业术语的实体瘤文档，检查其索引状态是否正常完成。
- 针对文档中的特定表格内容或图表描述进行搜索，核对召回结果是否包含完整的表格行或相关图表说明。
- 选取包含具体剂量、检验结果等数值信息的问题进行检索，评估召回的文档片段是否准确反映了这些数值的上下文和意义。
- 在知识库中随机抽取已索引的文档，通过预览功能检查其分段是否合理，专业术语和关键信息是否被完整保留在单个分段内。
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。