这个品类的数据长什么样
医保结算资料主要来源于医疗机构的HIS系统、医保局的信息平台以及药企的内部财务与合规部门。数据更新频率通常为每月或每季度，涉及医保政策调整时可能进行不定期更新。文档结构多样，包括标准化的XML或JSON格式数据包、结构化的Excel报表、非结构化的PDF政策文件和扫描件等。核心字段包括药品通用名、剂型、规格、生产厂家、医保支付标准、报销比例、结算周期、费用代码等。单位方面，除了常见的货币单位（元），还涉及药品包装单位（盒、瓶、支）、剂量单位（mg、g、ml）以及时间单位（天、月、年）。
这些特征在「文档解析与分块」这一环带来什么约束
医保结算资料的数据来源多样性，要求文档解析模块能够同时处理结构化与非结构化数据。Excel报表中的表格结构需精确识别，以确保医保支付标准等关键数字与对应药品信息的关联性。非结构化PDF文件中的政策条款，需要高精度的OCR识别和语义理解，避免因中文乱码或识别错误导致政策解读偏差。更新频率的不确定性，意味着分块策略需兼顾效率与准确性，能够快速处理增量数据。医保支付标准等字段的数值与单位的精确匹配，对文档分块的粒度提出要求，过粗的分块可能导致关键信息丢失，过细则增加检索冗余。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 100 MB | 医保政策文件和扫描件可能较大，需支持上传大文件。 |
chunk_overlap | 50–100 字符 | 确保上下文连续性，避免政策条款或表格数据在分块边界处被截断，影响语义完整性。 |
text_splitter_name | RecursiveCharacterTextSplitter | 适用于处理多类型文档，能根据不同分隔符智能切分，适应医保资料的多样性。 |
ocr_engine_mode | Accurate | 医保政策文件中的数字和文字对识别准确性要求高，避免因OCR错误导致数据偏差。 |
min_chunk_size | 150 字符 | 确保每个分块包含足够的信息量，避免生成过多无意义的短分块。 |
table_parsing_strategy | AsTextAndEmbed | 医保表格数据需要同时保留表格结构信息和文本内容，以便后续检索和理解。 |
容易做错的三处
- 现象：PDF文档中的中文政策条款识别为乱码，或表格数据识别后字段为空。原因：OCR引擎未正确配置语言包或未启用表格识别功能，导致非结构化数据处理失败。
- 现象：检索医保支付标准时，返回的结果只包含数值而没有对应的药品名称或剂型。原因：文档分块粒度过粗，导致药品名称和支付标准在不同的分块中，检索时未能同时召回。
- 现象：上传Excel表格后，知识库中未能正确显示表格数据间的对应关系，或查询特定药品医保报销比例时结果不准确。原因：系统未将表格数据作为结构化内容进行解析和存储，而是将其视作普通文本进行分块。
怎么确认配好了
- 上传典型医保政策PDF文件和Excel报表，在知识库管理界面检查分块内容，确认关键字段（如医保支付标准、药品名称）是否被正确提取且上下文完整。
- 随机抽取几个医保结算相关的复杂查询，在调试界面查看召回的分块内容，验证是否包含查询所需的核心信息，并检查分块之间的逻辑连续性。
- 通过API或界面，针对OCR识别难度较高的扫描件进行测试，检查文本识别准确率，特别是数字和特殊符号的识别情况，并与原始文件进行比对，确认无中文乱码。
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。