这个品类的数据长什么样
基因治疗 AAV（腺相关病毒）注册申报资料的数据来源多样，主要包括临床前研究报告、临床试验报告、生产工艺与质量控制文件、非临床安全性评价文件等。这些文档通常以 PDF、Word、Excel 等格式存在，包含大量结构化与非结构化信息。更新节奏方面，随着研发进展和监管要求变化，数据会阶段性更新，尤其是在临床试验不同阶段和补充申请时。文档结构复杂，例如临床试验报告可能包含研究方案、伦理审批、受试者信息（脱敏后）、数据分析结果等多个章节。字段与单位方面，涉及基因拷贝数（GC/mL）、病毒滴度（vg/mL）、纯度（%）、宿主细胞DNA残留量（ng/mg）、蛋白含量（mg/mL）等生物学和分析化学专业术语及单位。
这些特征在「文档解析与分块」这一环带来什么约束
基因治疗 AAV 资料的复杂性对文档解析与分块提出了特定要求。首先，PDF 格式中包含的扫描图片或复杂排版，需要先进的 OCR 技术识别文本，同时保留表格和图表中的结构信息。其次，文档中大量的专业术语和缩写，要求分块时能识别并保持这些关键信息的完整性，避免因断词而丢失语义。例如，AAV9-GFP 作为一个整体，不应被拆分。此外，Excel 表格数据通常包含多层表头和复杂关联，传统按行分块可能导致语义缺失，需要考虑更智能的结构化分块策略。文档更新频率决定了知识库需要支持增量更新和版本管理，避免重复上传和解析已有的不变内容。对字段和单位的精确识别，直接影响后续 RAG 召回的准确性，要求分块策略能够识别并保持其上下文关联。
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 | 确保单个分块包含足够上下文，覆盖 AAV 相关术语和短句的语义完整性。 |
重叠长度 | 100–200 字符 | 保证分块间的平滑过渡，避免关键信息在分块边缘被截断。 |
解析模式 | 智能分段 | 适应 PDF、Word 等文档中复杂的章节、段落结构，保持语义连贯性。 |
OCR识别 | 开启 | 识别 PDF 中的扫描图片文本，捕获所有可见信息。 |
表格解析策略 | 结构化解析 | 针对 Excel 和 PDF 中的复杂表格，提取表头与单元格的对应关系，提升数据利用率。 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 应对包含大量图表、复杂排版的长篇文档解析时间。 |
容易做错的三处
- 文档上传后，部分 PDF 中的表格内容未能被正确识别，导致知识库检索时无法召回相关数据。这通常是由于 PDF 文件是图片扫描件，需要开启并优化 OCR 识别功能。
- 上传的 Excel 文件在提问时效果不佳，无法有效利用表格内的多层级数据。这可能源于默认的文本分块策略未能理解表格的结构化信息，需要选择专门的表格解析策略。
- 知识库检索结果中，专业术语如
rAAV或CAP-200被错误地拆分或与其他词语混淆，影响检索准确性。这通常是分段长度或重叠长度配置不当，未能保持专业术语的完整性。
怎么确认配好了
- 上传具有代表性的基因治疗 AAV 注册申报资料（PDF、Word、Excel），通过知识库预览功能检查文档内容是否被完整识别，尤其是图片中的文本和表格结构。
- 针对上传的文档内容，进行多轮提问，验证知识库是否能准确召回包含专业术语、关键数据（如
1.0E+11 vg/mL）和复杂表格信息的回答，并检查召回片段的上下文完整性。 - 调整
分段长度和重叠长度参数后，再次执行上述验证步骤，直到检索结果的准确性和相关性达到预期，特别关注长句和专业术语的语义保持情况。
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。