这个品类的数据长什么样
CMC 研究的制度与 SOP 文档主要来源于药企内部的质量管理体系。这些文档通常以 PDF、Word 或扫描件形式存在，内容涵盖生产工艺、质量控制标准、设备操作规程、变更管理程序等。文档更新频率相对较低，通常在法规更新、技术改进或生产工艺调整时进行修订，周期可能为数月至数年。文档结构严谨，通常包含标题、章节编号、修订历史、生效日期、详细步骤描述、图表、附录等。字段方面，常涉及批次号、规格、有效期、检测方法、限度、操作人员、审核人员等，并严格遵循药典或行业标准规定的单位，如 mg、μg/mL、%RH、℃等。
这些特征在「文档解析与分块」这一环带来什么约束
CMC 研究文档的严谨结构和低更新频率，要求文档解析器能准确识别章节层级和语义边界，避免跨章节的错误分块。大量的表格和图表内容，对文档解析的 OCR 能力和表格结构抽取能力提出较高要求，以确保关键数据不丢失。字段的专业性和单位的标准化，意味着分块时需保留完整的上下文信息，确保检索结果能直接用于判断和决策，避免因上下文缺失导致误解。此外，修订历史和生效日期的存在，要求在分块时能够提取并关联这些元数据，以便在检索时进行版本过滤或时间限制。扫描件的存在，对预处理阶段的图像增强和文字识别准确性有直接影响，进而影响后续分块质量。
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 | 确保单个分块包含足够的操作步骤和上下文信息，避免过短导致语义不完整，过长影响检索精度。 |
分段重叠长度 | 100–150 字符 | 保证相邻分块之间有一定重叠，处理跨越分块边界的语义连续性问题，避免关键信息被切断。 |
解析策略 | 按标题层级与固定长度结合 | 优先识别文档的章节结构，确保逻辑完整性；当章节过长时，再按固定长度进行切分，兼顾结构与粒度。 |
OCR 启用 | True | CMC 文档中常包含扫描件或嵌入图片中的文字，启用 OCR 是保证全面内容识别的基础。 |
元数据提取规则 | ['修订日期', '生效日期', '文档编号'] | 提取关键元数据，支持后续基于时间或版本号的检索过滤，提升检索精确性。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 考虑到大型 SOP 或制度文件可能包含大量内容和复杂排版，适当延长解析超时时间可减少因解析耗时过长导致的失败。 |
容易做错的三处
- 解析结果中出现大量乱码或缺失内容，现象是检索时无法找到预期的关键信息。原因在于未正确启用 OCR 功能，或 OCR 引擎对特定字体、版式识别能力不足。
- 检索结果的分块内容边界不清晰，导致返回的片段语义不完整，无法直接回答问题。原因在于分段长度设置过短，或未充分利用文档的结构化信息进行分块。
- 上传 Excel 或其他非文本格式文件时报错，现象是系统提示文件类型不支持。原因在于知识库默认仅支持特定文本类文件格式，未配置或集成额外的解析工具以处理表格数据。
怎么确认配好了
- 上传典型文档后，检查知识库中生成的分块数量和平均长度，确保其符合预期的粒度。
- 通过模拟提问，检索特定操作步骤或标准限度，观察返回分块的完整性和上下文关联性，判断语义是否连贯。
- 检查分块的元数据字段，确认修订日期、生效日期等关键信息是否被准确提取并关联到对应的分块。
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。