这个品类的数据长什么样
干细胞治疗领域的临床试验数据主要来源于临床试验方案书、受试者筛选日志、病历记录、实验室检测报告以及随访数据。这些文档通常以 PDF 格式为主，部分为 Word 或结构化表格。更新频率方面，试验方案相对稳定，但受试者筛选日志和实验室报告会随着试验进程实时更新，尤其是在入组和随访阶段。文档结构上，方案书通常包含严格的章节划分，如研究背景、入选/排除标准、治疗方案、评估指标等。病历记录则可能包含自由文本描述、影像报告和结构化数据。字段和单位的特殊性体现在对细胞类型、给药剂量、给药途径、特定生物标志物检测值（如流式细胞术结果中的细胞百分比、CD 标记物表达强度）以及不良事件分级等方面的精确记录，这些字段往往具有严格的医学术语和单位规范。
这些特征在「文档解析与分块」这一环带来什么约束
干细胞治疗领域文档的复杂性对文档解析与分块提出了特殊要求。首先，PDF 格式的大量使用意味着需要强健的 OCR 和布局解析能力，以准确识别文本、表格和图像中的信息。其次，文档中包含的医学术语、缩写以及特定生物标志物名称，要求分块时能保持术语的完整性，避免因断词而丢失语义。例如，CD34+细胞 不应被拆分。再次，临床试验方案中的入选/排除标准，通常以列表或嵌套条件的形式呈现，分块时需要确保这些逻辑条件作为一个整体被捕获，以便后续的准确匹配。自由文本的病历记录则需要更细粒度的分块，以捕获其中的关键症状、诊断和治疗进展。最后，不同文档类型的更新频率差异，要求在分块策略上考虑增量更新和版本管理，确保知识库的时效性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
max_chunk_size | 800–1200 字符 | 确保临床试验方案中的关键入选/排除标准或单个医学事件描述完整，避免语义割裂。 |
overlap_size | 100–200 字符 | 维持上下文连贯性，尤其在描述复杂医学过程或多条件逻辑时，有助于召回。 |
separator | \n\n 或 ### | 适配临床试验文档中常见的段落分隔符及章节标题格式，确保逻辑块的独立性。 |
parsing_strategy | layout_aware | 优先识别 PDF 文档中的标题、段落和表格结构，减少 OCR 错误和布局混淆。 |
max_pages_per_doc | 500 页 | 应对长篇临床试验方案或多批次病历汇总文档，避免单个文档处理超时。 |
ocr_language | zh,en | 覆盖中文病历和英文医学术语及文献，提高多语言识别准确率。 |
容易做错的三处
- 文档上传后，知识库分块结果显示多个原本独立的段落被合并成一个长块，导致信息过载。这通常是由于
separator配置过于宽松或max_chunk_size设置过大，未能有效识别文档内部的逻辑分隔。 - 处理 PDF 文档时，系统报错
{"detail":"错误信息: OCR failed"}或{"detail":"错误信息: parsing timeout"}。这往往是由于 PDF 文件质量不佳（如扫描件模糊）、包含复杂图表或图片，导致 OCR 识别失败或解析时间超出PARSE_FILE_TIMEOUT_SECONDS限制。 - 在检索时，部分关键医学术语（如
CAR-T细胞或GvHD）未能被准确召回，或者召回的文本块中这些术语被截断。这可能是因为max_chunk_size设置过小，导致包含完整术语的句子被分割到不同的块中，或者分词器未能正确处理这些专有名词。
怎么确认配好了
- 选取 5-10 份具有代表性的干细胞治疗临床试验方案和病历文档，上传至知识库，并检查每个文档的分块数量和平均长度是否符合预期。
- 针对上传的文档，随机抽取 10-20 个分块，人工核对其内容是否保持了语义完整性，尤其是入选/排除标准、治疗方案描述和关键生物标志物数据是否作为一个整体存在。
- 使用知识库的搜索功能，输入文档中特有的长医学术语、缩写或关键短语，验证是否能准确召回到包含这些术语的原始文本块，并检查召回块的上下文是否完整。
- 在分块策略调整后，对比处理前后同一份复杂 PDF 文档的解析成功率和解析时间，确保在准确性和效率之间取得平衡。
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。