这个品类的数据长什么样
先导优化阶段的临床试验预筛数据主要来源于化合物合成报告、体外活性筛选报告、ADMET（吸收、分布、代谢、排泄、毒性）评估报告以及初步的动物药效学研究报告。这些数据通常以结构化（如 .xlsx、.csv 文件中的化合物库信息、活性数据表）和非结构化（如 .docx、.pdf 格式的实验方案、结果分析报告）的形式存在。更新频率依据化合物合成和实验进展而定，可能每周或每两周进行一次小批量更新。文档结构方面，非结构化报告往往包含引言、实验方法、结果、讨论和结论等标准章节。字段与单位具有高度特异性，例如化合物的 SMILES 字符串、分子量（Da）、IC50 值（nM、µM）、Cmax（ng/mL）、半衰期（h）等。
这些特征在「文档解析与分块」这一环带来什么约束
先导优化数据的混合结构对文档解析提出了要求，需要同时处理表格数据和文本报告。化合物结构式、活性数据等关键信息必须准确识别并保留其语义完整性，避免在分块过程中被截断。由于数据更新频率较高，解析流程需要支持增量更新，并且能够快速识别并整合新数据。ADMET 和药效学报告中的实验方法和结果描述往往篇幅较长，且包含大量专业术语和缩写，这对分块的粒度控制提出了挑战，既要保证上下文完整性，又要避免单个块过大导致信息冗余。同时，严格的字段与单位要求意味着解析器需能准确提取数值和单位，并能处理不同单位间的转换或标准化，以确保后续检索和分析的准确性。
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 | 兼顾上下文完整性与检索效率，避免过大的信息块稀释关键信息。 |
分段重叠长度 | 100–150 字符 | 确保关键信息在相邻分块中有所重叠，提高召回率，减少上下文丢失。 |
上传文件最大尺寸 | 100 MB | 适应大型实验报告和包含多张图表的 PDF 文件，减少上传失败。 |
解析超时时间 | 600 秒 | 处理复杂的 PDF 文档和大型 Excel 文件时，提供充足的解析时间。 |
向量模型最大输入长度 | 1024 Token | 确保分块后文本长度符合所选向量模型的输入限制，避免截断或错误。 |
表格行处理阈值 | 5000 行 | 对于大型 Excel 文件，避免单次处理行数过多导致内存溢出。 |
容易做错的三处
- 解析结果中关键化合物的 IC50 值或半衰期等数值字段为空，原因是解析器未能正确识别并提取数值和单位。
- 复杂实验方法描述被切分到多个不相关的块中，导致后续检索时无法获得完整的实验背景信息。
- 上传大型 PDF 报告时出现
ERR_FILE_TOO_LARGE错误，原因是UPLOAD_FILE_MAX_SIZE参数设置过小。
怎么确认配好了
- 随机抽取不同类型的化合物报告和实验文档，检查解析后的分块是否保留了关键数值和单位。
- 针对包含长篇描述的 ADMET 报告，验证分块后的上下文连贯性，确保实验步骤或结果讨论未被不合理截断。
- 上传一个接近
UPLOAD_FILE_MAX_SIZE限制的文档，确认文件能够成功上传并启动解析流程。 - 通过模拟查询，检查特定化合物的活性数据或毒性评估结果能否被准确检索出来，并观察相关分块的召回情况。
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。