这个品类的数据长什么样
生物医药领域的供应商审计，其核心数据主要来源于供应商提供的各类合规性证明、质量管理体系文件（如 ISO 认证、GMP 报告）、产品技术规格书、生产流程文件、检验报告、变更控制记录以及审计报告。这些文档通常以 PDF、Word、Excel 等格式存在，结构化程度不一。数据更新频率取决于审计周期和供应商的变更管理策略，可能为季度、年度或按需更新。文档内容常包含大量专业术语、技术参数、批次信息、日期戳和法规引用，单位涉及质量、浓度、温度、时间等，且可能存在多语言版本。
这些特征在「文档解析与分块」这一环带来什么约束
供应商审计文档的复杂性和多样性对文档解析与分块提出了特定要求。首先，包含大量图表、扫描件或复杂布局的 PDF 文件，可能导致传统文本提取工具出现乱码或信息丢失，影响后续分块的完整性。其次，审计报告中关键的合规条款、缺陷描述或纠正措施，往往分散在不同段落甚至不同文件中，需要确保分块能够有效捕捉这些跨文档的关联信息。再者，频繁的文档更新要求解析系统具备高效的增量处理能力，避免重复解析大量未修改内容。最后，专业术语和计量单位的准确识别，直接关系到后续知识召回的精确性，分块时需考虑词汇边界和上下文语境。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 500 MB | 审计报告通常包含大量图片和附件，确保能上传大型文件。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 复杂 PDF 文件解析耗时较长，预留足够处理时间。 |
分段长度 | 800–1200 字符 | 平衡上下文完整性与检索效率，适应审计文档段落长度。 |
分段重叠长度 | 100–200 字符 | 确保分段边界上下文连续，提高关键信息召回率。 |
MAX_TEXT_CHUNK_COUNT | 500 | 限制单个文件生成分块数量，防止大文件过度分块影响性能。 |
OCR_ENABLED | True | 审计文档常包含扫描件或图片形式的关键信息，启用 OCR 以提取文本。 |
容易做错的三处
- 上传大型审计文档后，解析长时间无响应最终显示请求失败。原因可能是
PARSE_FILE_TIMEOUT_SECONDS配置过低，未能给复杂文档足够的解析时间。 - 知识库上传包含表格数据的 Excel 文件后，部分数据未被正确解析或缺失。原因可能是默认解析器对复杂表格结构支持不足，导致数据提取不完整。
- 在检索审计相关问题时，召回的知识段落缺乏上下文，导致理解困难。原因可能是
分段长度设置过短或分段重叠长度不足，未能保留足够语境信息。
怎么确认配好了
- 选取一份包含复杂图表、多页表格和扫描件的典型审计报告，上传并检查解析后的文本内容是否完整且无乱码。
- 随机抽取多份审计文档，观察解析日志，确认解析时间均在
PARSE_FILE_TIMEOUT_SECONDS限制内，且无解析失败记录。 - 在知识库中针对特定审计条款进行提问，检查召回的分块内容是否准确反映原文信息，并包含足够的上下文信息以支持理解。
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。