小分子化药质量文档的知识库检索与召回

小分子化药的质量文档主要来源于药品注册申报资料、生产工艺规程、质量标准、检验报告、偏差处理、变更控制、批生产记录等。这些文档通常以PDF、Word、Exce

这个品类的数据长什么样

小分子化药的质量文档主要来源于药品注册申报资料、生产工艺规程、质量标准、检验报告、偏差处理、变更控制、批生产记录等。这些文档通常以 PDF、Word、Excel 等格式存储，更新频率取决于药品的生命周期阶段，例如研发阶段更新频繁，上市后则主要为年度回顾或变更触发更新。文档结构高度标准化，遵循 GMP/GLP/GSP 等法规要求，包含批次信息、CAS 号、分子式、结构式、纯度、杂质、含量、稳定性数据等核心字段，单位严格遵循药典或行业惯例，如 %、ppm、μg/mL、℃、pH 值等。

这些特征在「知识库检索与召回」这一环带来什么约束

小分子化药质量文档的标准化结构和严谨的数值单位，要求知识库检索必须具备高度的结构化信息识别能力，以区分不同批次、不同检测方法下的同名指标。文档更新的周期性与审计追溯需求，使得知识库需要支持版本管理和历史快照，确保检索结果的时效性与准确性可追溯。此外，法规遵循性对召回结果的完整性提出高要求，任何关键信息的遗漏都可能导致合规风险。对 CAS 号、分子式等特定标识符的精确匹配，以及对纯度、杂质等数值范围的理解，是检索与召回效能的关键。

配置怎么定

配置项建议取法这样取的依据
分段长度500–800 字符兼顾上下文完整性与检索粒度，避免长文本稀释关键信息。
召回条数前 8–12 条确保涵盖多个潜在相关文档片段，增加召回全面性。
相似度阈值0.75–0.85在保证相关性的前提下，过滤掉低质量召回结果。
重排返回条数5 条精炼最终呈现结果，聚焦最相关内容，提升用户体验。
PARSE_FILE_TIMEOUT_SECONDS600 秒应对大型 PDF 或复杂 Excel 文件解析耗时长的场景。
maxContext4000 token确保能容纳多个召回片段的完整上下文及用户查询。

容易做错的三处

  • 检索结果中出现大量无关的文档片段，原因是分段策略过于粗糙，未能有效识别文档内部的逻辑边界。
  • 面对数值范围查询（如“纯度高于 99%”），召回结果无法精确筛选，原因在于切片时未对数值型数据进行结构化识别和索引。
  • 文件上传后长时间无响应或解析失败，表现为日志中出现 PARSE_FILE_TIMEOUT 错误，原因在于文件体积过大或内容复杂导致解析超时，PARSE_FILE_TIMEOUT_SECONDS 参数设置过低。

怎么确认配好了

  • 上传一批包含不同批次、不同指标的小分子化药质量文档，查询特定批次的特定指标，检查召回结果是否精确指向对应批次和指标。
  • 针对包含数值范围的查询，例如“查找杂质含量低于 0.1% 的批次”，验证召回结果是否能准确过滤并呈现符合条件的文档片段。
  • 模拟高并发文件上传，观察文件解析进度和状态，确认无大量解析失败或超时记录，可根据实际文件大小调整 PARSE_FILE_TIMEOUT_SECONDS。

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。