这个品类的数据长什么样
感染性疾病的制度与SOP文档主要来源于各级医疗机构、疾病预防控制中心及相关卫生行政部门。这些文档的更新频率相对较高，通常伴随国家政策调整、诊疗指南更新或新发传染病出现。文档结构多为层级分明的PDF或Word格式，包含大量医学术语、病原体名称、诊断标准、治疗方案、隔离措施等。字段上，常见有疾病代码（如ICD-10）、药物剂量单位（mg/kg）、时间周期（天、小时）、以及特定的生物安全级别（BSL-2, BSL-3）。文档中常包含流程图、表格和附件，用于详细说明操作步骤或提供参考依据。
这些特征在「文档解析与分块」这一环带来什么约束
感染性疾病制度文档的层级结构和专业术语密度，要求文档解析器具备精准识别章节、标题和正文的能力，以避免语义碎片化。高频更新特性意味着需要高效的增量解析机制，确保知识库的时效性。流程图和表格的存在，对传统文本解析构成挑战，可能导致信息丢失或结构混乱。此外，疾病代码、剂量单位等精确信息，在分块时需保持其完整性，避免因断裂而失去上下文关联。这些约束决定了在文档分块时，不仅要考虑文本长度，更要注重语义完整性和结构保持，以适应后续RAG召回的准确性需求。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_overlap | 50–100 字符 | 确保分块边界的上下文连续性，尤其在专业术语和流程描述处。 |
chunk_size | 800–1200 字符 | 平衡召回粒度与上下文完整性，适应感染性疾病文档的详细描述特点。 |
max_page_tokens | 按实测标定 | 针对复杂PDF中的图表或扫描件，避免单页处理超时或内存溢出。 |
embedding_model | text-embedding-ada-002 | 兼顾准确性和成本，对医学专业术语有较好的理解能力。 |
parser_config.split_by_title | true | 利用文档的层级标题结构进行分块，保持章节语义完整性。 |
parser_config.max_table_rows | 20 | 限制表格解析行数，防止超大表格导致分块过大或解析失败。 |
容易做错的三处
- 上传PDF文件后显示内容为空，可能原因是PDF为扫描件或加密文档，导致文本提取失败。
- Java接口文档等非结构化代码文本被导入后，解析结果为空，原因在于解析器默认按自然语言处理，无法识别代码结构。
- 使用API上传文档后，长时间显示“索引中”，通常是由于文档体积过大或包含复杂元素，导致后台解析任务耗时过长或卡死。
怎么确认配好了
- 随机抽取已解析文档，通过知识库管理界面预览分块内容，检查各分块语义是否完整、无明显截断。
- 对包含流程图和表格的文档，验证其关键信息是否被正确提取并包含在相应分块中。
- 针对更新频率高的文档，上传新版本后，检查增量解析是否能快速完成并更新知识库内容，同时不影响旧有分块的可用性。
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。