眼科产品的文档解析与分块

这个品类的数据长什么样

眼科产品与试剂的数据主要来源于药品说明书、医疗器械注册证、临床试验报告、学术论文、产品宣传册以及内部培训材料。这些文档更新频率不一，药品说明书和注册证的修订周期可能较长，而学术进展和产品宣传则相对频繁。文档结构上，药品说明书通常包含成分、适应症、用法用量、不良反应、禁忌症等标准章节，医疗器械注册证则侧重于技术参数、预期用途和生产企业信息。字段方面，常涉及药物名称、活性成分、浓度单位（如 mg/mL）、包装规格、适应症代码（如 ICD-10 眼科相关编码）、以及各类检测指标的数值范围和单位（如眼压 mmHg、视力 Snellen 等）。

这些特征在「文档解析与分块」这一环带来什么约束

眼科产品文档的结构化信息与非结构化信息并存，对解析精度提出较高要求。药品说明书中的标准章节需要被准确识别和分块，以确保关键信息（如不良反应）不被割裂。临床试验报告中的图表和统计数据，其上下文关联性强，若分块过细会导致信息碎片化，影响后续召回的完整性。同时，文档中频繁出现的专业术语、缩写以及特定单位，要求解析器在分词和实体识别阶段具备高敏感度，避免因词法分析不当造成语义偏差。更新频率的差异意味着知识库需要支持增量更新和版本管理，确保解析后的知识点始终是最新的批准信息。

配置怎么定

配置项	建议取法	这样取的依据
`分段长度`	`800–1200 字符`	兼顾眼科文档中常见段落长度，避免关键信息被截断，同时保持分块内容的连贯性。
`分段重叠长度`	`100–200 字符`	确保上下文衔接，特别是对于包含表格或图注的段落，提供必要的冗余信息。
`maxContext`	`4096`	适配主流大语言模型上下文窗口，允许模型在生成回答时参考足够多的相关信息。
`相似度阈值`	按实测标定	根据实际查询效果，平衡召回的准确率和召回率，避免无关内容干扰。
`PARSE_FILE_TIMEOUT_SECONDS`	`600 秒`	应对大型 PDF 文档解析，特别是包含大量图像和复杂布局的临床试验报告。
`召回条数`	`前 5–8 条`	确保覆盖多个角度的相关信息，为模型提供更全面的决策依据。

容易做错的三处

上传大型 PDF 文档时，系统提示超时错误。这通常是由于 PARSE_FILE_TIMEOUT_SECONDS 参数设置过小，未能给解析器足够的时间处理复杂文档结构。
部分 DOCX 文档上传后，知识库中缺失表格内容或表格被错误分块。这可能与解析器对特定版本的 Office 文档或复杂表格结构的处理能力有关，需要检查解析日志。
用户提问后，AI 回答未能完全复述知识库中的原文，出现改写或信息遗漏。这往往是因为 相似度阈值 设置不当，或 召回条数 过少导致未召回最精确的原文。

怎么确认配好了

选取典型药品说明书和临床试验报告，上传后检查知识库中分块内容的完整性和逻辑连贯性，确保关键信息（如用法用量、不良反应）未被割裂。
针对文档中包含的表格、图示及相关说明文字，通过搜索验证其是否被正确解析并关联到相应分块。
模拟用户提问，覆盖产品适应症、禁忌症、不良反应等核心问题，评估 AI 回答是否精准引用知识库原文，并通过 召回条数 确认相关分块被正确召回。
在解析大型文档后，检查系统日志，确认没有 timeout 或解析失败的错误信息。

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。