这个品类的数据长什么样
抗体偶联药物（ADC）的质量文档涉及从早期研发、生产到上市后的全生命周期，数据来源多样。主要包括：工艺开发报告、质量控制（QC）检测记录、批生产记录、稳定性研究报告、分析方法验证报告、原辅料供应商资质文件、偏差与变更控制文件、以及药监机构的申报资料。这些文档的更新频率取决于药物开发阶段和生产批次，例如批生产记录是按批次生成，稳定性报告则按固定时间点递交。文档结构通常高度标准化，遵循GxP（如GMP、GLP）规范，包含大量结构化和半结构化数据。字段特异性强，例如批号、生产日期、有效期、检测项目名称、检测结果（如效价、纯度、聚集体含量）、单位（如 mg/mL、%、AU、EU/mg）、设备ID、操作人员签名等。其中，检测结果常包含数值、范围和判断结论。
这些特征在「模型接入与配置」这一环带来什么约束
ADC质量文档的高度结构化和专业性，对模型接入与配置提出了特定要求。首先，文档中包含大量专业术语和缩略语，要求模型具备强大的语义理解能力，避免因专业词汇识别不准确导致信息丢失。其次，关键检测结果通常以数值和单位组合的形式出现，且存在特定的合格范围，模型在抽取这些信息时，需要能够准确识别数值及其对应的单位，并理解其上下文意义，例如 2.5 mg/mL 与 2.5 % 是截然不同的概念。此外，批次间数据的关联性强，模型配置需要支持多文档联合检索和上下文维持，以应对跨文档追溯批次信息的需求。文档更新频率不一，要求知识库能够支持增量更新和版本管理，确保模型始终基于最新、最准确的数据进行响应。对于审批流程相关的文档，例如偏差记录，其内部逻辑链条复杂，模型需能理解因果关系和流程节点。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 800-1200 字符 | 确保单个分段包含足够的上下文信息，同时避免过长导致语义漂移或模型处理效率降低，尤其对于工艺流程描述。 |
overlap_size | 100-200 字符 | 保证分段间的连续性，有利于模型理解跨分段的完整语句或表格数据，减少信息截断风险。 |
similarity_top_k | 5-8 | 在初次召回阶段，获取足够多的相关文档片段，以覆盖ADC质量文档中可能分散的关键信息点。 |
rerank_top_n | 3-5 | 结合重排模型进一步筛选，确保最终呈现给模型的上下文是最相关、最精确的，尤其对于数值型检测结果。 |
max_tokens | 4096-8192 tokens | 适应ADC文档中可能出现的长篇描述性内容，如工艺参数详细说明或稳定性研究报告，确保完整捕获。 |
parsing_strategy | 表格优先解析 | 优先识别和解析文档中的表格结构，因为ADC质量文档中大量关键数据以表格形式呈现。 |
容易做错的三处
- 现象：模型在回答中混淆不同批次的检测结果，或者将不同单位的数值误判为同一类信息。 原因：分段策略未能有效隔离批次信息或未对单位进行专门识别处理，导致模型上下文混淆。
- 现象：模型无法从文档中正确抽取特定的检测项目名称及其对应的数值，例如“效价”或“纯度”。 原因：未针对ADC文档中特有的专业字段进行模型微调或配置关键词提取规则，模型缺乏对专业术语的识别能力。
- 现象：用户查询“最近一次批次偏差”时，模型返回旧的或不相关的偏差记录。 原因：知识库未能有效管理文档版本和更新时间戳，导致模型在检索时未能优先考虑最新数据。
怎么确认配好了
- 选取多个具有代表性的ADC质量文档，提出涵盖批次信息、检测结果、工艺参数等方面的查询，检查模型响应的准确性和完整性。
- 针对文档中的关键数值和单位组合，通过提问验证模型是否能准确识别、抽取并理解其含义，例如询问“批次 XXX 的效价是多少？”。
- 模拟实际迎检场景，提出涉及跨文档信息关联的复杂问题，评估模型能否综合多个文档信息给出连贯、逻辑正确的回答。
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。