这个品类的数据长什么样
化学制药智能尽调报告的数据来源包括药品注册申报资料、临床试验原始记录、公开专利文献、企业研发管线公告及药典标准文件。数据更新节奏随场景变化，注册资料随申报进度实时更新，专利文献随公开节点更新，企业公告按季度或临时发布，药典标准按年度修订。文档包含结构化元数据（如CAS号、分子式、注册证号、给药剂量）与非结构化文本（如临床试验结果分析、研发进度说明），字段单位包含摩尔浓度、分子量Da、给药剂量mg/kg等专业单位。
这些特征在「向量模型与索引」这一环带来什么约束
结构化元数据与非结构化文本并存的特征，要求区分向量索引与元数据索引的配置逻辑，避免专业编号与文本向量混淆。长文本的临床试验报告与专利文献，需保留专业术语的完整性，不能随意拆分核心分子结构描述或临床结论。多更新节奏的数据源，需支持增量索引与全量索引的灵活切换，适配实时公告与定期修订的文档更新需求。专业字段的固定单位与唯一标识，需建立元数据快速过滤机制，提升检索精准度。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 800–1200 字符 | 适配化学制药专业长句，保留分子结构描述、临床结论等核心专业术语的完整性 |
chunk_overlap | 100–150 字符 | 保留分段间的上下文关联，避免拆分临床试验结果的逻辑链条 |
embedding_model | text-embedding-3-large 或生物医药专用embedding模型 | 高维度模型可更精准表征复杂化学结构与专业术语的语义 |
index_batch_size | 50–100 条/批 | 适配大体积结构化文档的批量处理，避免内存溢出 |
similarity_threshold | 0.75–0.85 | 过滤低相关性的非专业文本干扰，适配专业检索的精度要求 |
metadata_index_enabled | true | 基于CAS号、注册证号等元数据快速过滤检索结果，提升精准度 |
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：通过OpenAPI创建的QA拆分文件集合，检索响应超时或召回结果数量远低于预期。原因：未针对化学制药长文本调整
chunk_size和index_batch_size参数，导致索引批次过小或分段不合理，增加检索负载。 - 现象：调用知识库接口后，返回的embedding模型变为
text-embedding-3-small，之前使用的是text-embedding-ada-002。原因：未在接口请求中显式指定embedding_model参数，使用了平台默认更新后的模型版本。 - 现象：检索时无法找到包含特定CAS号的目标文档。原因：未开启
metadata_index_enabled配置，未为结构化元数据建立独立索引，导致元数据未被纳入检索范围。
怎么确认配好了
- 上传单份化学制药专业文档，查看分段预览结果，确认分段长度符合配置值且未拆分核心专业术语。
- 调用知识库检索接口，传入已知的CAS号作为元数据过滤条件，确认检索结果包含目标文档。
- 查看索引任务日志，确认使用的embedding模型与配置项一致，无自动变更的记录。
- 批量上传多份文档，检查索引完成的进度条与报错日志，确认未出现内存溢出或超时错误。
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。