这个品类的数据长什么样
合理用药注册申报资料主要来源于国家药监局、各省卫健委发布的政策法规、临床指南、药品说明书、国内外临床研究报告、不良反应监测数据以及药物经济学评价报告。这些数据更新频率较高，法规政策每年修订数次，临床指南也常有更新。文档结构上，通常包含大量表格、图表、参考文献和专业术语，例如药品通用名、适应症、用法用量、禁忌症、药物相互作用、不良反应等。字段单位方面，剂量常用毫克（mg）、克（g），时间常用小时（h）、天（d），浓度常用百分比（%）、毫摩尔每升（mmol/L）。文档格式以 PDF、Word、Excel 居多，部分数据可能以图片形式嵌入。
这些特征在「文档解析与分块」这一环带来什么约束
法规政策和临床指南的频繁更新，要求文档解析系统具备高效的增量更新和版本管理能力，确保始终基于最新数据进行申报资料准备。文档中大量的表格和图表，使得传统文本分块方式可能丢失关键结构化信息，需要特殊处理以提取表格内的数据关联。专业术语和缩写的普遍存在，对分词和实体识别提出了更高要求，避免因语义理解偏差导致申报内容不准确。此外，由于部分数据以图片形式存在，光学字符识别（OCR）成为文档解析不可或缺的一环，其识别准确率直接影响后续信息抽取的质量。字段与单位的标准化，是确保药品信息一致性的基础，解析时需能识别并规范化这些数据。
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 | 兼顾上下文完整性与检索效率，避免过长分段稀释主题或过短分段丢失语义。 |
分段重叠长度 | 100–150 字符 | 确保分段边界的上下文连续性，提升跨分段检索的准确性。 |
解析策略 | 智能分段（表格优先） | 合理用药文档中表格信息量大，优先解析表格有助于提取关键结构化数据。 |
OCR识别精度 | 按实测标定，不低于 90% | 确保图片中关键数据（如剂量、批次号）的准确提取，减少人工校对成本。 |
`UPLOAD_FILE_MAX_SIZE` | 1000 MB | 应对大型临床研究报告和综合性法规文件，确保文件上传无障碍。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 给予复杂文档（含大量图片、表格）足够的解析时间，避免因超时中断。 |
容易做错的三处
- 上传大型 PDF 文件后，后台显示解析失败或长时间无响应，控制台日志中出现
OutOfMemoryError。这是因为未调整 JVM 内存参数或PARSE_FILE_TIMEOUT_SECONDS参数设置过小，导致在处理大型文件时资源耗尽或超时。 - 文档解析完成后，模型回答问题时无法准确提及表格中的具体数据，例如药品剂量或不良反应发生率。原因在于文档解析策略未针对表格内容进行优化，导致表格数据被扁平化处理或直接忽略。
- 批量上传多份文件后，部分文件状态显示为“处理中”但长时间未完成，且后续上传的文件也无法正常解析。这是由于工作流中文件队列处理机制阻塞，或解析服务出现未捕获的异常导致进程挂起。
怎么确认配好了
- 选择一份包含复杂表格和图表的合理用药文档，上传后检查解析状态是否为“完成”，并验证提取出的表格数据是否结构化且内容完整。
- 上传一份包含多处专业术语和缩写的法规文件，通过提问验证模型是否能准确理解并引用这些术语，确认分词和实体识别效果。
- 模拟同时上传 5–10 份不同类型（PDF、Word、Excel）的合理用药文档，观察所有文件能否在预期时间内完成解析，且无文件卡顿或失败。
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。