这个品类的数据长什么样
半导体财报数据主要来自上市公司公开年报、季度报告、行业协会月度统计及券商深度研报。更新节奏以季度为核心周期，年度报告为完整周期，临时公告会伴随产能调整、大额订单发布随时更新。单份文档长度跨度大，短则数千字的公告，长则数万字的年度财报，字段包含营收、归母净利润、研发投入占比、晶圆产能、单位产品成本等，单位多为亿元、百分比、万片/月。
这些特征在「向量模型与索引」这一环带来什么约束
半导体财报文档长度差异大，固定分段长度易割裂核心字段关联，需适配动态分段逻辑。多字段的财报数据要求向量模型需同时理解数值与文本语义，避免单一语义编码偏差。高频更新的季度数据与临时公告，要求索引支持增量刷新，避免全量重建，否则会拉长索引耗时。部分细分品类的产能、订单数据属于非结构化文本，需额外适配实体抽取环节，确保向量编码覆盖核心业务指标。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 800–1200 字符 | 适配半导体财报单段核心信息的长度，避免割裂营收、产能等关联字段 |
chunk_overlap | 100–150 字符 | 保留跨分段的字段关联信息，防止财报关键指标被分段截断 |
embedding_model | 按实测标定 | 需支持多模态语义编码，适配数值字段与业务术语的混合表达 |
index_refresh_interval | 15 分钟 | 匹配季度财报的临时公告更新频率，确保最新数据及时被索引覆盖 |
top_k | 前 10–15 条 | 覆盖多维度财报指标的召回需求，避免遗漏细分业务数据 |
similarity_threshold | 0.72–0.80 | 过滤低匹配度的非相关财报片段，提升精准召回比例 |
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
- 界面显示文件状态为“索引中”超过2小时，无进度更新。原因是配置的
embedding_model为qwen3-embedding-8b时，未在FastGPT环境中配置对应的模型调用地址，导致模型推理超时阻塞索引流程。 - 召回结果仅包含文本片段，未匹配到营收、产能等核心字段。原因是
chunk_size设置过小，将单份财报的核心指标拆分为多个独立分段，导致向量编码丢失字段关联。 - 增量索引后出现重复的财报片段。原因是
index_refresh_interval设置过短，全量索引扫描未过滤已处理的历史文档，导致重复编码入库。
怎么确认配好了
- 上传一份单份万字半导体年度财报，查看索引完成耗时是否符合预期，确认
chunk_size与index_refresh_interval的配置生效。 - 发起包含“2024年晶圆产能”的查询，核对召回结果中是否包含对应字段的关联片段，验证
similarity_threshold的过滤效果。 - 提交一份临时公告文档，查看索引完成后是否能在15分钟内被检索到，确认增量索引配置正常。
- 检查FastGPT后台的模型调用日志，确认
embedding_model的调用请求无报错，验证模型配置正确。
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。