这个品类的数据长什么样
真实世界研究（RWE）的质量文档主要包括研究方案、数据管理计划、统计分析计划、伦理审批文件、知情同意书、研究报告和发布稿等。这些文档通常以 PDF、Word 或结构化文本形式存在，内容详尽且专业性强。数据来源多样，包括电子病历、医疗索赔数据、患者登记系统和可穿戴设备数据等，更新频率不一，从每月更新到项目结束后一次性归档都有。文档中包含大量医学术语、统计学指标和研究方法描述，字段和单位高度标准化，例如患者 ID、诊断代码（ICD-10）、药物剂量（mg）、观察时间（天/月/年）等，确保数据的可追溯性和一致性。
这些特征在「向量模型与索引」这一环带来什么约束
RWE 质量文档的专业性和结构化特点，要求向量模型能准确捕捉医学术语和研究方法间的语义关联。文档内容更新频率的不一致性，使得增量索引和定期全量更新策略的制定变得复杂，需要兼顾时效性与计算资源。文档中包含的标准化字段和单位，在向量化时需特别处理，以避免其被泛化或丢失关键信息，影响召回精度。例如，简单的文本分块可能导致关键的剂量-疗效关系被割裂。此外，大量专业术语对预训练模型的要求较高，需要选择在生物医药领域有良好表现的向量模型。
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 | RWE 文档逻辑结构紧密，适中分段可确保上下文完整性，避免关键信息被截断。 |
重叠长度 | 50–100 字符 | 确保分段边界处的上下文连续性，提高跨段落信息召回的准确性。 |
召回条数 | 前 5–8 条 | 平衡召回精度与处理效率，满足 RWE 文档对信息完整性的高要求。 |
相似度阈值 | 按实测标定 | 根据实际召回效果和误报率，在 0.7–0.85 之间进行精细调整。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | RWE 文档可能包含大量图表和复杂排版，需预留足够解析时间避免超时。 |
向量模型 | text-embedding-ada-002 或领域优化模型 | 应对 RWE 文档的专业术语和复杂语义，选择性能稳定的通用模型或特定领域优化模型。 |
容易做错的三处
- 知识库索引长时间处于“未完成”状态，或部分文档未被索引：这通常是由于
PARSE_FILE_TIMEOUT_SECONDS设置过低，导致大型或复杂文档解析超时，未能进入向量化流程。 - 检索结果中关键医学术语或数据单位被忽略：这往往是由于分段策略过于粗糙，将带有特定字段和单位的关键语句拆散，导致向量模型无法准确捕捉其语义。
- 新上传的文档未能及时被检索到：这可能是因为没有配置或触发增量索引机制，或者后台
索引任务队列积压，导致新数据未能被及时处理和向量化。
怎么确认配好了
- 上传典型 RWE 文档样本，检查所有文档的索引状态是否显示“已完成”。
- 选取文档中的关键医学术语和数据单位进行检索，核对召回结果是否包含原始文档中的相关上下文，并观察召回条数。
- 通过 FastGPT 平台界面检查
索引任务队列的处理速度，确保新上传的文档能够被及时处理。 - 设定一个可接受的召回准确率和响应时间，并在此标准下进行多轮测试，调整
相似度阈值等参数。
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。