这个品类的数据长什么样
小分子化药的质量文档数据主要来源于研发阶段的分析方法验证报告、生产过程中的批生产记录、检验报告、稳定性研究数据，以及上市后的变更控制文件等。数据更新频率相对较低，通常与药物生命周期中的关键节点（如注册申报、重大变更）或周期性回顾相关。文档结构高度规范化，常遵循ICH Q系列指导原则和各国药典要求，包含明确的章节标题、图表、结构式、实验数据和批次信息。字段多为定量数据，如含量（%）、杂质限度（ppm）、pH值、熔点（℃），以及定性描述，单位严谨且多样，涉及化学计量、物理性质和生物活性等。
这些特征在「向量模型与索引」这一环带来什么约束
小分子化药质量文档的规范化结构要求向量模型在分块时，能够有效识别并保持章节语义的完整性，避免关键数据与上下文脱节。例如，批次信息、检测项目、结果和判定标准常以表格形式呈现，这要求分块策略能捕获表格的行与列关联。文档中大量的专业术语和缩写（如API、HPLC、GC-MS）对向量模型的语义理解能力提出较高要求，需要模型具备化学、药学领域的先验知识，以确保准确的相似性计算。此外，历史批次数据和变更记录的时间序列特性，使得索引需要考虑版本控制和时效性，以便在召回时能区分不同时间点的数据，或优先匹配最新版本。
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 | 兼顾语义完整性和向量化效率，避免信息丢失或冗余 |
分段重叠长度 | 100–200 字符 | 确保跨段落的上下文连续性，尤其在表格或长句末尾 |
模型识别段落 | 开启 | 利用模型识别文档的逻辑结构，如章节、小节 |
最大段落深度 | 3 | 适应多数质量文档的层级结构，避免过度细分 |
Embedding 模型 | 按实测标定 | 需评估模型对化学专有名词和定量数据的理解能力 |
召回条数 | 5–8 条 | 在保证覆盖度的前提下，减少后续重排的计算量 |
容易做错的三处
- 现象：Embedding模型测试不通，报错
{"error":{"code":"Invalid API Key"}}。原因：API密钥配置有误或过期，或未针对特定Embedding服务启用对应的API权限。 - 现象：知识库重建索引后，部分批生产记录的检测结果召回不准确，或与错误批次关联。原因：分块策略未能有效处理表格结构，导致检测项目、数值和批号在向量化时语义分离。
- 现象：查询特定杂质的限度时，召回结果中包含大量无关的分析方法描述。原因：
相似度阈值设置过低，导致召回范围过广，未能有效过滤掉低相关度的文档片段。
怎么确认配好了
- 选择有代表性的质量文档片段，包含关键的定量数据、专业术语和表格信息，进行查询测试，观察召回结果是否准确、完整且上下文连贯。
- 针对不同版本的质量文档（如修订前后），验证索引系统能否正确区分或优先召回最新版本的数据，以确认版本控制逻辑的有效性。
- 使用包含化学结构式或复杂图表的文档进行测试，检查向量模型是否能通过其周围文本捕获相关语义，以确定其对非文本信息的间接处理能力。
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。