这个品类的数据长什么样
供应商审计在临床试验预筛阶段，数据主要来源于供应商提供的资质文件、质量管理体系文档、生产流程记录、设备校准报告、人员培训记录以及既往审计报告等。这些文档通常以 PDF、Word、Excel 等格式存在，结构多样，既包含大量非结构化文本描述，也含有表格形式的结构化数据，如设备清单、人员资质列表、批次记录等。更新频率受审计周期和供应商资质变更影响，可能为季度、半年或年度更新。文档中涉及的字段和单位高度专业化，例如设备的型号、序列号、校准日期、有效期；人员的学历、专业、培训课程、合格证编号；以及质量指标的数值范围、检测方法等。
这些特征在「文档解析与分块」这一环带来什么约束
供应商审计文档的异构性对解析提出了挑战。非结构化文本需要精准的语义理解，以识别关键风险点和合规性信息。表格数据则要求解析器能准确识别表格边界、行、列，并提取单元格内容，避免数据错位或遗漏。专业化的字段和单位意味着需要特定的实体识别能力，以确保数值和单位的正确关联，例如“温度：25℃”与“25度”在语义上等同，但在解析时需统一处理。文档的更新频率决定了知识库内容的时效性，需要支持增量更新和版本管理，避免使用过期信息。此外，大量扫描件和图片格式的文档会增加 OCR 识别的需求，其准确性直接影响后续解析质量。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500–800 字符 | 兼顾语义完整性和召回效率，避免单个分段过长导致信息冗余，或过短导致上下文缺失。 |
分段重叠度 | 100 字符 | 确保跨分段的关键信息能够被捕捉，尤其是在描述供应商资质或质量体系时。 |
解析策略 | 智能分段，优先表格解析 | 审计文档中表格数据占比高，优先解析表格能提升结构化信息的提取准确性。 |
OCR 识别阈值 | 0.85 | 权衡识别准确率与召回率，降低低质量 OCR 文本对后续匹配的干扰。 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 应对大型审计报告或包含复杂表格的文档，给予足够的文件处理时间。 |
maxContext | 按实测标定，不低于 4000 token | 确保在提问时能涵盖供应商资质、质量体系等关键信息的完整上下文。 |
容易做错的三处
- 上传大型审计报告时，系统显示“文件处理超时”，这是由于
PARSE_FILE_TIMEOUT_SECONDS配置过低，未能处理文件解析所需的计算量。 - 知识库中供应商的设备清单或人员资质表格数据出现错乱，表现为字段与值不匹配，原因是文档解析时表格结构识别不准确，导致单元格内容提取错误。
- 针对某些供应商的提问，回答中缺失关键信息，例如“供应商是否具备 GMP 认证”，这可能是文档分块过细，导致相关认证信息被拆分到不同的知识块中，召回时未能聚合。
怎么确认配好了
- 上传典型供应商审计文档后，检查知识库中生成的分段，确保关键段落（如质量体系描述、资质证书编号）的语义完整性。
- 通过知识库检索功能，使用文档中的表格内容作为查询词，验证表格数据是否被正确解析并能被有效召回。
- 针对文档中包含的专业术语和数值单位进行提问，评估回答的准确性，确认实体识别和单位处理是否符合预期。
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 2026-09-21，当时的最新发布版本为 FastGPT v4.17.0。