这个品类的数据长什么样
实体瘤治疗的制度与SOP文档，主要来源于国家卫健委、国家药监局、地方医保局、医院伦理委员会以及各肿瘤专科医院内部管理规范。这些文档更新频率通常为季度或半年一次，涉及新药审批、临床指南修订、医保政策调整等。文档结构以PDF为主，包含大量表格、图片、流程图和嵌套目录。文本内容高度专业化，涉及肿瘤类型（如肺癌、乳腺癌）、分期（如TNM分期）、治疗方案（如化疗、放疗、靶向治疗）、药物名称（如PD-1抑制剂）、剂量单位（如mg/kg）、给药途径、副作用管理等。其中，疾病分期和治疗路径的描述往往是多层级嵌套的。
这些特征在「文档解析与分块」这一环带来什么约束
实体瘤制度文档的特点对文档解析与分块提出了特定要求。首先，更新频率较高，需要系统具备高效的增量解析能力，以快速同步最新政策和指南。其次，大量表格和流程图的存在，意味着单一的文本提取方式不足以捕获全部信息，需要图像识别和表格结构化解析能力。多层级的疾病分期和治疗路径描述，要求分块策略能够识别并保留上下文的层级关系，避免扁平化处理导致信息丢失。此外，文档中常见的专业术语和缩写，要求分块后能够保持术语的完整性，避免在关键短语中间切分。药物剂量等精确数值信息，需要解析器能够准确识别单位并进行关联。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 500 MB | 实体瘤相关指南文档常包含大量图表，文件体积较大。 |
分段长度 | 800–1200 字符 | 兼顾上下文完整性与检索效率，避免切分掉关键的治疗路径描述。 |
分段重叠度 | 100–150 字符 | 确保分块边界的上下文连续性，尤其在专业术语和多层级描述处。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型PDF文档中的图表和表格解析可能耗时较长。 |
启用图像OCR | True | 实体瘤文档中大量流程图、表格图片，需通过OCR提取文本。 |
表格解析模式 | 结构化 | 识别并提取表格的行、列、单元格内容，保留其语义结构。 |
容易做错的三处
- 解析结果中出现大量乱码或缺失关键信息，原因是未启用或配置不当的OCR功能，导致图片中的文本未被识别。
- 问答结果对疾病分期和治疗方案的理解有偏差，因为分段长度过短或未考虑层级关系，导致重要上下文被切断。
- 处理大型PDF文档时经常超时或解析失败，原因是文件大小限制或解析超时设置过低，无法应对复杂文档的处理。
怎么确认配好了
- 选择一份包含复杂表格和流程图的实体瘤SOP文档，上传并查看解析后的原始文本，核对其是否完整包含了图片和表格中的信息。
- 选取文档中涉及疾病分期和治疗路径的段落，观察其分块结果是否保持了逻辑上的连续性和层级关系，没有在关键信息中间被切分。
- 在知识库中检索文档中特有的专业术语或药物名称，检查召回的分块内容是否准确且上下文完整。
- 使用不同大小和复杂度的实体瘤文档进行测试，观察解析时间是否都在设定的超时阈值内完成，并检查是否有报错日志。
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。