这个品类的数据长什么样
CAR-T 细胞治疗的注册申报资料涉及多学科数据，其核心数据源包括临床试验报告（IND/NDA 阶段）、生产工艺文件（CMC 部分）、非临床研究报告（药理毒理）以及质量控制记录。这些数据通常以 PDF、Word、Excel 等格式存在。临床试验数据更新频率较高，尤其在多中心临床试验进行中，数据累积与分析持续进行。文档结构复杂，包含大量表格、图表、生物序列信息和专业术语。字段方面，涉及剂量响应、不良事件分级（CTCAE 标准）、细胞扩增倍数、病毒载体滴度等，单位则涵盖细胞数（cells/kg）、基因拷贝数（GC/cell）、药物浓度（μg/mL）等生物医药特有计量方式。
这些特征在「文档解析与分块」这一环带来什么约束
CAR-T 细胞治疗资料的复杂性对文档解析与分块提出了多重约束。首先，大量图表和表格的存在，要求解析器具备高精度识别和结构化提取能力，传统基于文本流的切分方式容易丢失表格上下文。其次，专业术语和缩写（例如 CAR、CR、PR）密度高，需要确保分块时术语的完整性，避免因断句导致语义偏差。第三，临床报告的章节逻辑严密，如方法学、结果、讨论等，分块需尊重原文的逻辑结构，避免将不相关的段落混淆。第四，数据更新频率高，要求解析流程具备增量更新和版本管理能力，确保知识库的时效性。此外，涉及生物序列和基因编辑等内容时，对特定模式识别和实体抽取的准确性也提出更高要求。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 800–1200 字符 | 兼顾语义完整性和检索效率，避免过长导致无关信息，过短丢失上下文。 |
最大段落深度 | 5 | 适应临床试验报告和CMC文件的多级标题结构，确保子章节内容不被过度拆分。 |
表格解析模式 | 结构化提取 | CAR-T 资料中表格数据量大，需要精确抽取行、列关系及单元格内容。 |
OCR识别精度 | 高 | 应对扫描版历史文档或图片形式的图表，确保文字信息不遗漏。 |
实体识别列表 | CAR-T细胞类型、靶点、不良事件 | 预定义关键生物医药实体，增强分块语义准确性，辅助后续检索。 |
切分策略 | 基于标题和段落长度混合 | 优先保持标题下的内容完整性，辅以长度限制进行细粒度切分。 |
容易做错的三处
- 现象：知识库内容缺失重要表格数据，或表格内容被错误地解析为纯文本。 原因：
表格解析模式未设置为结构化提取，或解析器未能正确识别复杂表格的边界和结构。 - 现象：检索时发现部分专业术语被截断，导致语义不完整或召回不准确。 原因：
分段长度设置过小，使得包含长复合术语的句子被强制拆分。 - 现象：上传大型 PDF 文档后，解析任务长时间无响应或报错超时。 原因：
PARSE_FILE_TIMEOUT_SECONDS参数设置过低，或文档内嵌图片过多导致 OCR 耗时超预期。
怎么确认配好了
- 随机抽取 5-10 份典型文档，检查其解析后的知识块，确认表格数据是否完整且结构化。
- 检查知识库中包含特定专业术语（如
CD19 CAR-T、细胞因子释放综合征）的知识块，评估其语义完整性。 - 上传一份包含多级标题、图表和长段落的综合性临床研究报告，观察解析任务的完成时间和结果，确保无超时错误。
- 对比原始文档和解析后的知识块，检查关键章节（如
方法、结果、讨论）的边界是否符合预期，无不合理合并或拆分。
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。