这个品类的数据长什么样
药物警戒领域的数据主要来源于药品上市许可持有人（MAH）提交的各类报告，包括个例安全性报告（ICSR）、定期安全性更新报告（PSUR）、风险管理计划（RMP）、产品说明书以及上市后研究报告等。这些文档通常以 PDF、Word 或结构化文本（如 XML）形式存在。更新频率较高，例如 ICSR 可能每日更新，PSUR 则有半年、一年或三年一次的周期。文档结构复杂，包含大量医学术语、临床试验数据、不良事件分类代码（如 MedDRA）、药品信息（ATC 代码、CAS 号）以及法规要求相关内容。数据字段繁多，例如 ICSR 报告会包含患者基本信息、药品信息、不良事件描述、处理措施等，单位涉及剂量（mg、g）、频率（次/日）、时间（天、月、年）。
这些特征在「向量模型与索引」这一环带来什么约束
药物警戒文档的复杂性和高更新频率对向量模型与索引的构建提出了特定要求。首先，文档中存在大量专业术语和缩写，需要向量模型具备良好的领域语义理解能力，能够区分相似词汇在不同语境下的含义。其次，文档结构化与非结构化并存，索引策略需兼顾不同数据形式的解析与嵌入。例如，表格数据可能需要特殊处理以保留其结构信息。再次，高更新频率要求索引系统具备高效的增量更新能力，能够快速将新数据纳入知识库并保持查询的时效性。最后，法规合规性要求信息召回的准确性和完整性，不允许出现关键信息遗漏或误解，这直接影响了分段策略和相似度计算的严谨性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 800–1200 字符 | 兼顾文档语义完整性与向量模型处理效率，避免关键信息被切割。 |
分段重叠长度 | 150–250 字符 | 确保上下文连续性，提高跨段落信息召回的可能性。 |
向量模型 | bge-large-zh-1.5 | 针对中文医学文本的预训练模型，具备较好的语义理解能力。 |
召回条数 | 前 5–8 条 | 平衡召回效率与相关性，确保覆盖潜在相关信息。 |
相似度阈值 | 按实测标定 | 根据具体业务场景对准确率和召回率的要求进行调整。 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 适应大型 PDF 文档解析时间，防止因超时导致索引失败。 |
容易做错的三处
- 文档解析长时间停留在“索引中”状态，原因在于部分药物警戒报告文件体积过大或内容复杂，导致文件解析超时。
- 知识问答时，系统无法准确召回特定药品不良反应的详细描述，原因在于向量模型未能充分理解医学专业术语的深层语义，或者分段策略导致关键信息被拆分。
- 在多个知识库之间切换查询时，召回结果缺乏优先级，原因在于知识库之间的权重或顺序未在查询逻辑中明确配置。
怎么确认配好了
- 选取一批包含典型药物警戒信息的测试文档，检查其索引状态是否正常，无超时或失败记录。
- 使用包含特定医学术语和不良事件的查询语句，验证系统能否准确召回相关文档片段，并对比召回结果与预期答案。
- 模拟高频数据更新场景，观察增量索引的效率与新数据的查询可用性，确保知识库的时效性。
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。