这个品类的数据长什么样
化学原料相关数据主要来源于行业协会公开报告、生产企业质检报告、化学品安全技术说明书（MSDS）、海关进出口统计、国家标准与行业标准文档。数据更新节奏因来源不同存在差异：国标与行标按年度或季度修订，MSDS随原料配方或安全标准变更同步更新，企业质检报告随生产批次更新，行业报告按月度或季度发布。文档结构包含标准化字段与自由文本两部分，标准化字段包括原料名称、CAS号、分子式、纯度、密度、熔点、沸点、包装规格、产地等，单位多为%、g/cm³、℃、元/吨等。
这些特征在「知识库检索与召回」这一环带来什么约束
不同来源的数据源可信度存在差异，需在检索时区分公开权威数据源与企业内部私有数据，避免引入低质量或过时信息。文档结构的混合性要求检索系统需同时支持结构化字段精准匹配与半结构化/自由文本的语义检索，单一检索方式无法覆盖全部需求。标准化字段的特定单位要求检索时需匹配单位信息，避免将不同单位的同类数据混淆。CAS号作为唯一标识，可用于精准召回特定原料的全量信息，降低语义检索的歧义性。定期更新的数据源要求知识库需配置自动同步机制，保证检索结果的时效性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 800–1200 字符 | 化学原料文档多为结构化与半结构化混合，该长度可覆盖单一组分信息或单张表格的完整行组，避免拆分破坏字段关联性 |
similarity_threshold | 0.72–0.85 | 化学原料专业术语辨识度高，该阈值可过滤低关联数据，同时保留相似但合规的原料信息 |
recall_top_k | 前 10 条 | 尽调报告需覆盖原料安全、质量、供应链等多维度信息，10条可提供足够的上下文素材 |
rerank_top_n | 前 3 条 | 重排可过滤语义相似但不相关的召回结果，3条可保证尽调报告核心信息的精准性 |
parse_file_timeout_seconds | 300 秒 | MSDS等长文档解析需要足够时间，避免超时截断关键安全与质量信息 |
rag_prompt_template | 基于{source}的{doc_type}，提取{field}字段的{value} | 化学原料检索需精准匹配特定字段，该模板可引导模型提取目标信息，提升检索结果的针对性 |
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：使用
bge-m3向量模型时，语义检索相似度得分普遍高于0.9，原因是未针对化学原料的专业术语（如CAS号、分子式）单独配置权重，导致术语向量空间重叠度过高，放大了语义相似度计算结果。 - 现象：知识库内的MSDS文档中的图片无法正常展示，仅显示空白占位符，原因是未将图片存储域名加入知识库的可访问白名单，导致检索时无法加载图片资源。
- 现象：检索后返回的结果条数远超预设值，原因是未配置
similarity_threshold参数，或阈值设置低于0.6，导致大量低关联的非目标化学原料数据被召回。
怎么确认配好了
- 上传1份标准MSDS文档，检查解析后的文本块是否保留了完整的16项结构，无明显截断或拆分错误。
- 输入包含特定CAS号的查询词，核对检索结果中是否优先返回包含该CAS号的文档，且相似度得分符合预设区间。
- 开启日志追踪，查看向量检索的返回条数与重排后的输出条数，确认与配置的
recall_top_k、rerank_top_n参数一致。 - 上传包含内嵌图片的文档，检查检索结果中是否可正常加载图片，无占位符或加载失败提示。
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。