这个品类的数据长什么样
呼吸系统疾病相关的制度与标准操作规程（SOP）文档，主要来源于国家卫生健康委员会、药品监督管理局、各级医疗机构内部发布的规章制度，以及专业学会发布的诊疗指南。这些文档通常以 PDF、Word 或扫描图片形式存在。更新频率方面，国家层面的法律法规和诊疗指南通常每年或每两年进行修订，而医疗机构内部 SOP 可能会根据新发布的指南或临床实践反馈进行季度或半年度更新。文档结构上，这些文件普遍具有明确的章节划分、标题层级和目录。字段与单位方面，常见的有诊断标准、治疗方案、药物剂量（如 mg/kg、IU）、检查指标（如 PaO2、FEV1%）、时间周期（如小时、天、周）等，这些字段往往具有严格的数值范围和单位要求。
这些特征在「工作流编排」这一环带来什么约束
呼吸系统制度文档的更新频率和多源性，要求工作流具备灵活的数据源接入能力和版本管理机制。PDF 和扫描图片作为主要文档形式，对 OCR 和文档解析的准确性提出高要求，尤其对于表格和图表中的关键数据提取。文档中包含的特定医学术语、缩写和数值单位，使得语义理解和信息抽取需要更专业的模型支持。此外，制度的严谨性要求问答结果的准确性和可追溯性，任何错误都可能导致医疗风险，这在工作流设计时需强化校验环节。对药物剂量、检查指标等数值型字段的精确理解，也决定了工作流在处理数值比较和范围判断时的逻辑复杂性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 500-800 字符 | 兼顾语义完整性和召回效率，避免制度条款被过度切分。 |
overlap_size | 50 字符 | 确保上下文衔接，尤其在处理跨段落的关键信息时。 |
max_tokens | 4096 tokens | 确保模型有足够上下文处理复杂的制度条款和多轮对话。 |
similarity_top_k | 5 | 提高召回相关制度片段的概率，平衡召回数量与计算资源。 |
ocr_accuracy_mode | 高精度模式 | 扫描件和复杂排版文档较多，高精度 OCR 模式能提高文字识别率，减少错字漏字。 |
file_parse_timeout | 300 秒 | 大型 PDF 文件解析时间较长，设置较长的超时时间避免解析中断。 |
容易做错的三处
- 现象：API 调用上传文件后，工作流无法识别文件内容，返回“文件内容为空”或“无法解析文件”。 原因：文件上传时未正确指定
file字段或mime_type，导致系统无法识别文件类型或内容。 - 现象：工作流在处理包含表格的制度文档时，表格数据被错误识别或遗漏。 原因：默认的文档解析器对复杂表格结构支持有限，未启用或配置专业的表格识别插件。
- 现象：用户提问关于药物剂量或检查指标的数值范围时，AI 回答不准确或给出错误的单位。 原因：知识库中未对数值型字段进行结构化抽取和存储，模型无法进行精确的数值比较和单位转换。
怎么确认配好了
- 上传一份包含复杂表格和多页扫描件的呼吸系统 SOP 文档，检查工作流是否能正确解析并抽取出关键信息。
- 针对文档中包含的药物剂量、检查指标等数值型字段，提出精确的数值范围查询，核对 AI 回答的准确性。
- 模拟用户提问关于特定制度条款的场景，检查工作流召回的相关段落是否完整且具有上下文逻辑，并验证回答是否符合制度原文。
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。