这个品类的数据长什么样
航天装备营销内容的数据主要来自官方型号技术文档、试验验证报告、公开宣传物料、用户使用手册等。更新节奏为重大型号立项、定型、试验节点触发，无固定高频更新周期。文档结构包含结构化参数字段、流程描述文本、营销话术三类内容，字段附带明确物理单位，单份文档长度跨度从数百字符的宣传短句到数十页的试验报告。
这些特征在「向量模型与索引」这一环带来什么约束
航天装备数据的结构化参数与明确单位要求向量模型支持数值与文本的联合编码，避免单一文本embedding丢失参数语义。文档长度跨度大，要求索引支持可变长度的向量存储与灵活分段检索。更新频率低且仅在重大节点触发，无需高频全量索引，适合采用增量更新策略。营销内容与技术文档混合，需要为不同文档类型配置差异化召回权重，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 |
|---|---|---|
embedding_model | text-embedding-3-large 或 bge-large-zh-v1.5 | 航天装备文档包含专业术语与数值参数，该类模型对专业文本与数值语义的编码效果适配场景需求 |
chunk_size | 800–1200 字符 | 平衡短营销话术的语义完整性与长试验报告的分段合理性，避免单段过长导致向量检索精度下降 |
chunk_overlap | 100–150 字符 | 防止分段后关键专业术语被截断，保障相邻分段的语义连贯性 |
recall_top_k | 前 10–15 条 | 覆盖足够多的相关候选文档，为后续重排环节提供充足的筛选基础 |
rerank_top_k | 前 3–5 条 | 仅对高置信度的召回结果做精排，降低重排阶段的计算耗时 |
index_update_strategy | 增量更新 | 适配航天装备文档低频更新的特性，减少索引构建的资源消耗 |
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：执行检索后接口返回延迟超过预设阈值，控制台显示重排阶段耗时占比超总耗时的70%。原因：未根据文档长度调整分段参数，或召回条数设置过大，导致重排计算量过载。
- 现象：检索结果中出现大量不相关的型号参数文档，数值字段匹配度极低。原因：仅使用通用文本embedding模型，未针对带单位的结构化参数做适配编码，丢失了参数的语义关联。
- 现象：Docker部署环境中无法加载指定索引模型，启动日志返回
model not found错误。原因：未将索引模型挂载至Docker容器的指定目录，或未在配置文件中正确配置模型路径。
怎么确认配好了
- 上传一份典型的航天装备营销文档，查看解析后的分段结果，确认分段长度处于预设区间，无关键专业术语被截断。
- 发起一次带专业参数的检索请求，查看控制台返回的召回条数与重排条数，确认与配置参数一致。
- 检查Docker容器的运行日志，确认无模型加载失败或索引构建报错。
- 确认当前FastGPT版本为v4.8.21-fix及以上，避免旧版本的索引模型加载与分段解析bug。
- 手动比对检索结果与查询关键词的匹配度，确认数值型字段的语义关联被正确识别。
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。