这个品类的数据长什么样
血液肿瘤注册申报资料通常包含临床试验报告、非临床研究报告、药学研究资料、风险管理计划等核心文档。这些资料的数据来源广泛，包括多中心临床研究数据库、实验室检测系统、病理诊断报告以及国内外监管机构发布的指导原则。数据的更新频率受研发进展和监管要求驱动，例如临床试验数据在试验进行中会持续更新，而监管政策或指南可能每年修订。文档结构复杂，常涉及多级标题、图表、附录和参考文献，如 ICH E3 临床研究报告结构。字段和单位具有高度专业性，例如药代动力学报告中的 Cmax（最大血药浓度，单位 ng/mL）、AUC（药时曲线下面积，单位 ng·h/mL）或肿瘤缓解评估中的 RECIST 标准（Response Evaluation Criteria in Solid Tumors）。
这些特征在「文档解析与分块」这一环带来什么约束
血液肿瘤注册申报资料的复杂结构和专业字段对文档解析提出了高要求。多级标题和嵌套表格意味着需要准确识别文档的逻辑层级，以避免语义断裂。例如，一个关于骨髓瘤治疗的临床试验报告，其副作用列表中的数据必须与其对应的药物剂量和治疗组关联，错误的切分可能导致关键信息丢失或错配。专业字段和单位的识别至关重要，因为它们是评估药物有效性和安全性的核心指标，解析时需要保留其完整性和上下文，避免将其拆分成无意义的片段。此外，文档中常见的缩写、术语和特定疾病表述，要求解析器具备一定的领域知识，以确保分块后信息的准确性和可检索性。
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的上下文，同时避免过长导致信息冗余或检索效率下降。血液肿瘤报告中，一个临床试验结果的完整描述通常需要较长篇幅。 |
分段重叠长度 | 100–200 字符 | 保证相邻分块之间有适当的上下文衔接，特别是在描述复杂的药理机制或临床数据时，有助于维持语义连贯性。 |
解析策略 | 按标题层级与段落 | 优先根据文档的逻辑结构（如 ICH E3 报告的章节划分）进行分块，其次再考虑自然段落，确保关键信息（如试验设计、结果、不良事件）的完整性。 |
OCR识别精度 | 高质量（High） | 注册申报资料中常包含扫描件、图表或PDF中的图片文字，高精度OCR能有效识别专业术语和数据，减少错误。 |
嵌入模型 | text-embedding-ada-002 或领域优化模型 | 选择对生物医药领域术语有良好理解的嵌入模型，提高向量召回的准确性。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 血液肿瘤申报资料文档通常较大且复杂，解析过程耗时，适当延长超时时间可避免因处理大型文件而导致的解析失败。 |
容易做错的三处
- 解析报告时，图表中的数据未被正确提取，导致关键的临床有效性或安全性数据缺失。这通常是由于未启用或配置正确的 OCR 识别功能，或者解析器对复杂图表结构的支持不足。
- 导入大型 PDF 文档时出现连接失败或超时错误，知识库无法处理。这可能与 Docker 容器的网络配置、
PARSE_FILE_TIMEOUT_SECONDS参数设置过低或文件大小超出UPLOAD_FILE_MAX_SIZE限制有关。 - 检索结果中，针对某一具体药物剂量的不良事件查询，返回了其他剂量或无关药物的信息。这表明文档分块过于粗糙，未能在解析时有效区分不同剂量组或药物的上下文，导致语义混淆。
怎么确认配好了
- 选取包含复杂表格和图表的血液肿瘤临床试验报告，上传后检查解析出的文本是否完整包含图表中的关键数据和描述。
- 选择多个具有清晰章节结构的申报资料，观察解析后的分块是否严格遵循原文档的标题层级，例如一个大章节的内容没有被错误地切分到不同块中。
- 针对文档中特有的专业术语和缩写（如
CAR-T治疗、CR完全缓解），进行检索测试，检查是否能准确召回包含这些术语的上下文信息，并且召回结果没有无关的干扰信息。 - 上传一个文件大小接近
UPLOAD_FILE_MAX_SIZE限制的 PDF 文件，并监控解析过程是否能在PARSE_FILE_TIMEOUT_SECONDS内完成，且无报错信息。
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。