这个品类的数据长什么样
苗头化合物筛选（Hit Identification）的质量文档主要包括高通量筛选（HTS）报告、活性验证数据、构效关系（SAR）分析报告、化合物结构信息、批次分析报告等。这些文档通常以 PDF、Word、Excel 或结构化数据库条目的形式存在。数据源自化合物库管理系统、实验数据采集系统和化学信息学平台。数据更新频率较高，尤其在筛选初期，新的化合物结构和活性数据会持续生成。文档结构复杂，包含大量专业术语、化学结构式、图表和表格。字段涵盖化合物 ID、CAS 号、分子量、纯度、生物活性值（如 IC50、EC50）、ADMET 性质预测值、实验条件、批次信息等。活性值常以纳摩尔（nM）或微摩尔（µM）为单位，纯度以百分比表示。
这些特征在「工作流编排」这一环带来什么约束
苗头化合物筛选质量文档的复杂数据特征，对工作流编排提出了特定要求。首先，文档的多样性（PDF、Word、Excel）和复杂结构意味着需要强大的文档解析能力，以准确提取化合物结构、活性数据和实验条件等关键信息。特别是嵌入在文档中的化学结构式，需要专门的图像识别或化学结构解析工具辅助。其次，高频的数据更新要求工作流具备增量更新和版本管理能力，确保始终使用最新的筛选结果和分析报告。再次，文档中大量的专业术语和生物活性单位，例如 nM、µM，需要自定义词典或领域模型来提高实体识别的准确性，避免单位混淆导致的误判。最后，跨文档关联能力至关重要，例如将某个化合物的HTS报告与后续的SAR分析报告关联起来，形成完整的质量链条，这要求工作流中的知识库召回和重排机制能够支持复杂的多维度匹配。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 6 | 平衡召回效率与上下文相关性，覆盖多个相关文档片段。 |
分段长度 | 800–1200 字符 | 适应生物医药文档段落较长，包含多重专业信息的特点。 |
召回条数 | 10 条 | 确保能够覆盖到不同来源的活性数据和结构信息。 |
相似度阈值 | 0.78 | 兼顾准确性和召回率，降低专业术语误匹配的风险。 |
重排返回条数 | 4 条 | 聚焦最相关的关键信息，减少模型处理无关内容的负担。 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 应对大型HTS报告或包含复杂图表的PDF文件解析耗时。 |
容易做错的三处
- 工作流执行超时，提示“任务执行时间过长”。原因在于未针对复杂文档解析设置足够的
PARSE_FILE_TIMEOUT_SECONDS，或单次处理文件量过大。 - AI回答中出现与知识库内容无关的通用语句。原因在于知识库召回结果不足或相似度阈值设置过低，导致模型在缺乏足够领域知识时倾向于输出通用回复。
- 部分工具没有被调用，或调用顺序不符合预期。原因在于工具编排逻辑中的条件判断不明确，或工具描述不够精准，导致AI模型未能正确理解调用意图。
怎么确认配好了
- 上传典型的高通量筛选报告，检查是否能准确解析出化合物ID、活性值及其单位，并能关联到对应的化学结构。
- 针对特定化合物，测试查询其所有相关质量文档信息，核对召回结果是否完整且排序合理，覆盖其HTS、验证和SAR数据。
- 模拟新的化合物活性数据更新，验证工作流是否能及时识别并整合这些增量信息，且不影响已有数据的查询准确性。
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。