这个品类的数据长什么样
患者援助项目的数据主要来源于药企、慈善机构或第三方服务商发布的项目指南、申请表格、药品信息等。这些文档更新频率通常为季度或半年，涉及药品适应症、用法用量、不良反应、入组标准、费用报销政策、申请流程及所需材料清单。文档多以 PDF、Word、或结构化数据（如 Excel、CSV）形式存在。关键字段包括药品名称、疾病名称、患者身份信息（脱敏后）、审批状态、援助周期、报销比例、自费金额上限等，金额单位通常为人民币元。
这些特征在「文档解析与分块」这一环带来什么约束
患者援助项目文档的更新频率要求系统具备高效的增量解析能力，确保信息时效性。多样的文档格式，尤其是非结构化 PDF 和 Word 文档，需要强大的内容提取和 OCR 能力，以避免关键信息遗漏。文档中包含的敏感患者信息和财务数据，要求解析过程能有效识别并处理这些特定字段，确保合规性。复杂的申请条件和报销规则，使得分块时需要保持逻辑完整性，避免将一个完整的规则拆散到不同块中，影响后续检索的准确性。结构化数据中的字段与单位，要求解析器能准确识别并保留其语义。
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 | 确保单个知识块包含完整的申请条件或政策条款，避免上下文缺失 |
重叠长度 | 50–100 字符 | 辅助上下文衔接，减少因分块导致的语义割裂 |
解析模式 | 智能分段 | 适用于混合结构文档，兼顾结构化与非结构化内容解析 |
解析超时 | 600 秒 | 应对大型 PDF 或复杂 Word 文档的解析时间，避免任务中断 |
OCR 启用 | true | 处理扫描件或图片形式的患者援助项目文档，提取文本信息 |
文件类型白名单 | .pdf, .docx, .xlsx, .csv | 限制上传文件类型，聚焦患者援助场景常见文档格式 |
容易做错的三处
- 现象：PDF 文档上传后，部分文字内容缺失或乱码。原因：PDF 内部编码复杂或为扫描件，
OCR 启用参数未开启或 OCR 引擎识别能力不足。 - 现象：系统更新后，原先能正常解析的 CSV 文件报错
Invalid file format。原因：新版本对文件头或编码的校验规则更严格，文件编码参数未适配或文件实际编码与预期不符。 - 现象：知识库检索时，关于某个援助项目的申请条件不完整。原因：
分段长度设置过小，导致一个完整的申请条件被拆分到多个知识块中，影响召回效果。
怎么确认配好了
- 选取典型患者援助项目文档（PDF、Word、Excel），上传并观察解析日志，确保无报错信息。
- 随机抽取解析后的知识块，人工核对内容完整性，特别是关键字段（如药品名称、报销比例）是否准确提取。
- 通过模拟提问，测试特定援助项目的申请条件、报销流程等问题，评估召回知识块的准确性和完整性，并根据结果调整
相似度阈值。
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。