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、上市后真实世界研究数据、以及监管机构发布的指导原则。这些文档的更新频率不一，临床试验数据通常在试验结束后进行归档，而真实世界数据可能按季度或年度更新，监管文件则根据政策调整而不定期发布。文档结构通常高度标准化，例如 ICH GCP 指南下的临床研究方案、病例报告表 (CRF)、统计分析计划 (SAP) 等。字段涵盖患者入组标准、肿瘤分型、治疗方案、剂量、不良事件 (AE) 记录、疗效评估指标（如 RECIST 1.1 标准）、随访数据。单位严格遵循国际标准，如剂量单位 mg/kg、时间单位天/周/月、影像学测量单位 cm。
这些特征在「引用来源与溯源」这一环带来什么约束
实体瘤质量文档的标准化结构和关键字段，要求引用来源具备精确的段落定位能力。大量专业术语和缩写，使得简单的关键词匹配容易引入歧义，影响溯源的准确性。数据更新的周期性差异，意味着知识库需要支持版本管理，确保引用的是当前有效的规范或数据。此外，文档中包含的敏感患者信息和未公开的临床数据，对溯源机制的权限控制和数据脱敏提出了高要求，防止未经授权的引用或泄露。RECIST 等评估标准的存在，也要求在引用时能区分标准定义与实际评估结果，避免混淆。
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 | 实体瘤文档段落通常包含完整逻辑，过短分段可能割裂关键信息。 |
召回条数 | 8–12 条 | 保证足够的上下文信息覆盖，应对专业术语和多维度评估指标。 |
相似度阈值 | 0.78–0.85 | 兼顾精确匹配与语义泛化，避免因术语变体而漏召。 |
重排返回条数 | 5 条 | 优先展示最相关的核心信息，减少无关内容的干扰。 |
知识库版本策略 | 按文档发布日期 | 确保引用的是最新或指定日期的规范与数据。 |
引用来源展示格式 | 文件名称:页码:段落号 | 精确指向原始文档位置，便于人工核查和溯源。 |
容易做错的三处
- 返回内容与引用来源不一致，现象是答案中出现未在引用中提及的药物剂量，原因是模型在生成时过度泛化或结合了预训练知识，知识库召回的范围不足以支撑完整回答。
- 链接到企业微信后不回答问题，只引用问题，现象是 AI 回复仅包含用户提问的复述和一两个来源链接，原因是知识库分段策略不当导致关键信息被拆散，或
相似度阈值过高未能召回足够关联内容。 - 部分文档未生成问答对，直接写入原文，现象是知识库中某文件只有原文无问答对，原因是文档结构复杂或包含大量图表，文本提取和分段解析未能有效识别可提问的知识点。
怎么确认配好了
- 随机抽取 10 份实体瘤质量文档，提交其中关键问题进行测试，核对返回的引用来源是否精确指向原文的对应页码和段落。
- 针对 RECIST 1.1 等关键评估标准，测试其定义和应用场景的提问，确认引用来源能区分标准原文与临床报告中的实际评估结果。
- 模拟不同时间点发布的文档版本，提问关于特定规范的问题，验证系统是否能准确引用到指定日期的版本，例如针对某个已更新的临床试验方案进行提问，确认其引用的是更新后的版本。
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。