这个品类的数据长什么样
中药投研数据主要来自《中华人民共和国药典》各版次、各省市中药炮制规范、中药企业内部质量检测报告、临床研究文献、成分分析原始数据。更新节奏分为定期与不定期，药典类每5年左右修订一次，企业检测报告随工艺调整随时更新，临床文献实时新增。文档结构包含结构化的成分检测表格、非结构化的药典文本条目、研究论文全文，字段涵盖药材名称、产地、采收期、有效成分含量、性味归经、功能主治，单位涉及克、毫克、百分比、摄氏度等专业计量标识。
这些特征在「知识库检索与召回」这一环带来什么约束
中药投研数据的多源异构特征要求检索同时支持语义匹配与结构化字段过滤，避免仅依赖语义召回的低精准度问题。文档长度跨度大，短则单条药典条目不足百字，长则临床研究论文可达数万字符，需要适配不同长度的文本切分规则。专业字段与单位的存在，要求检索支持按含量阈值、产地等条件进行精准筛选，适配专业检索需求。多更新节奏的数据源，需要配置增量同步机制，避免全量重建索引带来的资源消耗。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
similarity_threshold | 0.85–0.92 | 适配中药专业文本的语义相似度判断，避免低相关的炮制规范条目混入结果 |
top_k | 前8–12条 | 覆盖单篇药典、临床研究的核心段落，同时控制检索负载 |
chunk_size | 800–1200 字符 | 平衡中药文本的语义完整性，避免短切分破坏性味归经等专业表述的连贯性 |
enable_structured_index | 开启 | 支持按有效成分含量、产地等字段进行精准过滤，适配结构化检测数据 |
sync_interval | 每12小时 | 适配药典定期更新与企业标准的日常调整节奏，兼顾实时性与索引构建成本 |
max_chunk_overlap | 100–150 字符 | 保留专业术语的上下文关联，避免跨分段的语义断裂 |
本页给出的参数取值均为常规建议，用于确定配置的起点。实际取值受材料形态、数据量与业务规则影响，具体问题需具体分析，建议在自有样本上实测后再定。
容易做错的三处
- 现象：知识库中重复文档块被自动删除，导致自定义切分的索引顺序与原文档不一致。原因：默认开启了文档去重配置，未关闭针对重复文本块的过滤开关。
- 现象：检索界面持续显示“正在检索中”，无结果返回。原因：未配置数据库同步的连接参数，或同步任务超时未完成，索引未正确生成。
- 现象：检索结果包含语义相似度低于0.9、全文检索分值低于50000的低质量内容。原因：未设置
similarity_threshold与全文检索分值的过滤规则，或阈值配置不符合中药专业文本的匹配要求。
怎么确认配好了
- 上传单篇药典条目与成分检测报告，检查切分后的文本块是否保留专业字段与单位，无明显语义断裂。
- 配置
similarity_threshold为0.9，检索“黄芪的有效成分含量”，检查返回结果的语义相似度是否符合设定阈值。 - 执行增量同步任务，查看索引构建日志，确认结构化字段的索引已正确生成。
- 上传两份内容相近的中药检测报告，检查是否保留了自定义切分的顺序，未被自动去重。
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 2026-09-14，当时的最新发布版本为 FastGPT v4.17.0。