这个品类的数据长什么样
基建工程投研数据主要来源于项目可研报告、招投标文件、施工台账、行业技术标准、建材价格指数库及官方造价公示。数据更新节奏随项目节点推进，单个项目文档在立项、招标、施工、竣工阶段分批新增，建材价格数据按周或月度更新。文档形态包含长幅技术文本、结构化工程量清单、带专业单位的造价表格，字段涵盖项目编号、施工范围、材料规格、工期参数等，部分图纸类文档附带非结构化标注信息。
这些特征在「向量模型与索引」这一环带来什么约束
基建工程的长幅技术文本会导致单文档token数超出基础向量模型上下文限制，需针对性调整文档拆分策略。结构化工程量清单包含大量带专业单位的数值字段，需单独提取结构化特征与非文本内容结合，避免纯文本向量丢失精准计量信息。分批更新的项目数据要求索引系统支持增量导入，避免全量重建带来的资源消耗。部分附带标注的图纸文档需先完成文本提取，才能接入向量生成流程，增加了预处理环节的复杂度。专业术语密集的技术标准文本，需选用适配工程领域的向量模型，否则会出现语义召回偏差。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 800–1200 字符 | 拆分基建工程长文本时保留完整语义单元，避免跨段语义断裂 |
chunk_overlap | 100–150 字符 | 衔接相邻分段的语义关联，防止长文本拆分后出现上下文断层 |
embedding_model | 工程领域适配的专用模型 | 基建专业术语密集，通用模型的语义召回精度不足 |
index_batch_size | 20–30 条/批 | 平衡索引效率与服务器内存占用，避免Docker部署下的内存溢出 |
recall_top_k | 10–15 条 | 覆盖基建投研所需的多维度项目参数与技术细节，避免过少召回丢失关键信息 |
similarity_threshold | 0.72–0.85 | 过滤低相关性的工程文档，同时保留同项目不同阶段的关联内容 |
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：Docker部署环境下索引任务持续处于pending状态，或返回
ETIMEDOUT错误码。原因：未为向量索引进程分配足够内存资源，或未设置embedding模型调用的合理超时重试机制。 - 现象：向量召回结果混杂大量无关的非工程文本片段，核心专业字段匹配度低。原因：未选用适配基建领域的embedding模型，或未开启结构化工程量清单的单独特征提取配置。
- 现象：指定对话大模型可正常完成问答，但向量索引任务无进度更新。原因：该模型仅支持文本生成能力，不具备embedding向量生成功能，无法用于索引环节。
怎么确认配好了
- 查看向量生成日志，确认单文档拆分后的chunk数与预设的
chunk_size、chunk_overlap参数匹配。 - 导入单份基建工程典型文档，验证召回结果包含项目编号、材料规格等核心字段的关联内容。
- 测试增量导入单份新文档，确认索引任务仅处理新增数据，不进行全量重建。
- 调用embedding模型测试接口，验证专业工程术语的向量生成结果无明显语义偏差。
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。