这个品类的数据长什么样
基因治疗 AAV（腺相关病毒）制度相关的文档，主要包括国家药监局、FDA、EMA 等监管机构发布的指导原则、技术审评要求、GCP/GMP 规范，以及企业内部的质量管理体系文件、标准操作规程（SOP）、批生产记录、检验方法学验证报告等。这些文档通常以 PDF 格式为主，部分可能包含扫描件或嵌入的图片、表格。更新频率方面，监管机构的指导原则通常每年或数年修订一次，企业内部 SOP 则可能根据项目进展、技术迭代或监管要求变化，每季度到每年更新。文档结构严谨，层级分明，普遍采用章节、小节、条款编号。字段与单位具有高度专业性，例如病毒滴度（vg/mL）、纯度（%）、宿主细胞残余 DNA（pg/剂量）、内毒素（EU/mL），涉及大量生物学和药学专用名词。
这些特征在「文档解析与分块」这一环带来什么约束
基因治疗 AAV 制度文档的专业性与严谨结构，要求文档解析器能够准确识别章节、小节标题，避免将标题与正文混淆。其中包含的专业术语和缩写，对分词和语义理解提出了更高要求。PDF 文档中常嵌入的表格和图片，尤其是关键的批次数据、检测结果图谱，需要解析器具备图像文字识别（OCR）和表格结构化提取能力，以确保信息完整性。更新频率较高，意味着知识库需要支持增量更新和版本管理，避免重复摄入或遗漏最新修订内容。文档内部引用和外部法规链接较多，需要解析器能够识别并保留这些引用关系，以供后续 RAG 检索时提供上下文支持。对专业单位的识别和标准化处理，有助于确保问答结果的准确性，防止因单位混淆导致误判。
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 | 考虑法规条款和SOP步骤的完整性，避免切断关键信息 |
重叠长度 | 100–150 字符 | 确保分块边界上下文连续，提升检索召回率 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型法规文件和SOP，防止解析超时 |
ENABLE_OCR | True | 确保扫描件和嵌入图片中的关键信息能被识别 |
TABLE_EXTRACTION_MODE | advanced | 准确提取批生产记录和检测报告中的复杂表格数据 |
maxContext | 3000 Tokens | 适应AAV制度中复杂条款和多层级逻辑的上下文需求 |
容易做错的三处
- 上传图像地址文件时解析失败，原因是文件类型检查未通过，仅支持直接上传文件内容。
- 本地部署时，知识库增强PDF解析功能无法启用，原因是 MinerU 服务未正确配置或端口不通。
- 问答结果中缺乏关键数据，现象是回答中未提及表格或图示信息，原因在于
ENABLE_OCR或TABLE_EXTRACTION_MODE未正确配置，导致解析时忽略了非文本内容。
怎么确认配好了
- 上传典型 AAV SOP 文档，检查 FastGPT 知识库中生成的分块内容，确保章节标题和正文逻辑连贯。
- 上传包含复杂表格的批生产记录 PDF，检查分块中是否包含了表格内的关键数据，并能识别专业单位。
- 上传部分扫描件或图片较多的指导原则，检查解析后内容是否包含图片中的文字信息，确认 OCR 功能正常。
- 针对特定法规条款进行提问，验证问答结果能够准确引用原文，并提供相关背景信息，评估召回与回答的准确性。
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。