这个品类的数据长什么样
感染性疾病领域的质量文档主要包括临床指南、诊断标准、治疗方案、药物说明书、病原学检测报告解读、以及流行病学监测数据等。数据来源广泛，涵盖世界卫生组织（WHO）、国家卫健委、疾控中心、学术期刊、药品监管机构数据库等。更新节奏相对较快，特别是新发传染病或耐药性变异时，指南和方案可能在数月内更新。文档结构以半结构化和非结构化为主，包含大量医学术语、缩写、剂量单位（如 mg/kg、IU）、时间单位（如小时、天、周）和特定疾病分类代码（如 ICD-10）。
这些特征在「知识库检索与召回」这一环带来什么约束
感染性疾病文档的快速更新频率要求知识库具备高效的索引更新机制，以确保检索结果的时效性，避免召回过时信息。文档中医学术语和缩写的密集使用，对向量模型的语义理解能力提出较高要求，需要其能准确识别同义词、近义词和上下位概念，提升检索的准确性。同时，半结构化和非结构化的文档特性，使得单纯基于关键词的检索容易遗漏关键信息，需要依赖更精细的文本分块和向量嵌入技术。此外，剂量、时间等数值型信息与描述性文本的混合，要求知识库能够处理多模态信息，或者通过预处理将数值信息转化为可被向量模型有效捕获的文本特征，以支持更精准的检索过滤。
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向量嵌入效率，避免过长分段引入噪声或过短分段丢失语义。 |
分段重叠长度 | 50–100 字符 | 确保分段边界处的语义连续性，避免关键信息被切割。 |
召回条数 | 8–12 条 | 平衡召回广度与后续重排或大模型处理的计算量，保证覆盖足够多的潜在相关信息。 |
相似度阈值 | 按实测标定 | 根据实际数据集的分布和业务容忍度，通过测试集调整，确保高召回率与低误召率。 |
重排返回条数 | 3–5 条 | 在召回结果基础上进行二次精排，提供最相关的核心信息，减轻大模型处理负担。 |
embedding_model | text-embedding-ada-002 或 bge-large-zh-v1.5 | 针对中文医学文本的语义理解能力和向量表示效果较好，能有效处理专业术语。 |
容易做错的三处
- 检索结果中出现大量无关或过时的信息，原因是知识库索引未能及时更新，或
相似度阈值设置过低，导致低相关性文档也被召回。 - 面对特定疾病名称或药物缩写时检索失败或召回不全，问题在于向量模型对专业术语的语义理解不足，或文本分段策略未充分考虑专业词汇的完整性。
- 工具调用模块连接知识库后，无法引用到检索到的关键数值信息，现象是返回的字段为空或格式错误，原因在于知识库在摄取时未能有效解析和结构化文档中的数值数据，或调用工具未正确配置
json_path提取路径。
怎么确认配好了
- 选取一批包含新发病原体或最新治疗方案的文档，上传至知识库，并立即执行检索，确认能召回最新信息，以此评估更新时效性。
- 针对一组包含常见医学缩写和复杂医学术语的查询，执行检索，检查召回结果中是否包含语义相关的完整文档片段，并对比专家判断的相关性，以此评估语义理解能力。
- 模拟实际业务场景，对特定疾病的诊断标准或药物剂量进行查询，检查召回结果中能否准确提取出关键数值信息，并验证其准确性，以此评估结构化信息提取能力。
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。