药物警戒产品的文档解析与分块

药物警戒领域的核心数据载体是各类报告和说明书。这些文档主要来源于药品上市许可持有人（MAH）提交的定期安全性更新报告（PSUR）、个例安全性报告（ICSR）

这个品类的数据长什么样

药物警戒领域的核心数据载体是各类报告和说明书。这些文档主要来源于药品上市许可持有人（MAH）提交的定期安全性更新报告（PSUR）、个例安全性报告（ICSR）、药品说明书、临床试验方案及报告等。数据更新频率较高，特别是上市后药品的安全性数据，会根据监管要求定期或不定期更新。文档结构通常包含标准化章节，如药品基本信息、适应症、用法用量、不良反应、禁忌症、注意事项、药理毒理等。其中，不良反应部分常以列表或表格形式呈现，涉及医学术语、疾病代码（如 MedDRA）、药物剂量、发生频率等字段。这些文档的语言专业性强，常包含大量专有名词和缩写，单位涉及剂量（mg、g）、频率（次/日）、时间（天、周、月）等。

这些特征在「文档解析与分块」这一环带来什么约束

药物警戒文档的专业性和结构化特点，对文档解析与分块提出了特定要求。首先，文档中存在大量医学专有名词和缩写，如果分块粒度过小，可能导致上下文丢失，影响语义理解和召回准确性。其次，报告中的表格数据，特别是不良反应事件的发生频率和严重程度信息，需要确保解析时能够完整保留其表格结构和数据关联性，避免数据错位或丢失。再者，文档更新频率较高，要求解析流程能够高效处理增量数据，并支持版本管理。此外，由于这些文档往往篇幅较长且包含多个层级的标题，分块时需要兼顾章节完整性与信息密度，以保证后续检索时能返回具有足够信息量的片段。

配置怎么定

配置项建议取法这样取的依据
分段长度800–1200 字符兼顾医学术语的上下文完整性与检索时的信息密度，避免过短导致语义不全。
分段重叠长度100–200 字符确保分段边界处的关键信息不会因切割而丢失，尤其是在专业术语和短句衔接处。
文件类型限制pdf, docx, txt药物警戒文档多以 PDF 格式发布，兼顾 Word 文档和纯文本报告。
PARSE_FILE_TIMEOUT_SECONDS600 秒应对大型 PSUR 或临床报告解析时间较长的情况，避免因超时导致解析失败。
召回条数前 5–7 条在保证检索结果相关性的前提下，提供足够多的上下文信息供模型分析，应对复杂查询。
相似度阈值按实测标定针对医学文本的语义相似度特点，通过测试集调整以平衡召回率与准确率。

容易做错的三处

  • 解析大型 PDF 文件时出现超时错误，这是因为 PARSE_FILE_TIMEOUT_SECONDS 参数设置过小，未能留足处理时间。
  • 上传的 PDF 文档中表格内容解析后出现错位或数据丢失，原因是没有启用或配置合适的表格解析策略，导致结构化数据被错误地当作纯文本处理。
  • 在检索时，返回的文档片段上下文不足，导致模型无法准确理解查询意图，这通常是 分段长度 设置过短，将重要的关联信息切分到了不同片段。

怎么确认配好了

  • 上传典型药物警戒报告（如 PSUR、ICSR），检查解析后知识库中的文档片段是否完整、语义连贯，特别是表格内容是否正确。
  • 针对包含特定医学术语或不良反应事件的查询，进行检索测试，检查返回的 召回条数 是否满足信息需求，且相关度在可接受范围。
  • 监控后台日志，查看是否有文件解析失败或超时的记录，并根据错误码调整 PARSE_FILE_TIMEOUT_SECONDS 等参数。
  • 使用 FastGPT 的知识库预览功能，随机抽取解析后的文档片段，人工核对其内容质量，包括分段边界的合理性。

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。