这个品类的数据长什么样
小分子化药研发的数据主要来源于实验报告、专利文献、临床研究文档、法规文件以及内部研究笔记。这些文档通常以 PDF、Word、或扫描图像的形式存在，内容涵盖化合物结构、合成路线、体外/体内药效数据、毒理学评估、药代动力学（ADME）数据、质量控制标准等。数据更新频率在研发的不同阶段差异显著，从实验阶段的每日更新到临床阶段的季度或年度更新。文档结构复杂，包含大量表格、图表、化学结构式、专业术语和缩写。字段与单位具有高度专业性，例如“IC50”、“EC50”、“Ki”、“Kd”等药效学指标，以及“nM”、“µM”、“mg/kg”等浓度和剂量单位。
这些特征在「文档解析与分块」这一环带来什么约束
小分子化药研发文档的复杂结构和专业内容对文档解析与分块提出了特殊要求。大量的表格和图表，特别是化学结构式，需要专门的识别和提取能力，常规的文本分块方法难以准确捕获其语义信息。专业术语和缩写密集，可能导致通用分词器或嵌入模型在语义理解上的偏差。文档中常包含长篇的实验方法描述和数据列表，需要细致的分块策略，防止关键信息被稀释或遗漏。此外，不同文档类型（如专利和实验报告）的结构差异巨大，要求解析器具备高度的适应性。不准确的分块会直接影响后续的检索召回质量和问答系统的准确性，例如，一个化合物的药效数据与其毒理数据被错误地分到不同的块中，将导致查询时信息不完整。
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 | 兼顾小分子化药实验数据和方法描述的长度，避免单个块过长丢失焦点或过短语义不完整 |
重叠长度 | 100–200 字符 | 确保相邻块之间的上下文连续性，尤其在跨段落的专业术语或数据描述中 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对包含大量复杂表格和图表的 PDF 文档解析耗时，避免因超时导致解析失败 |
嵌入模型 | text-embedding-ada-002 或其他支持专业术语的嵌入模型 | 提升对化学、生物专业术语和概念的理解能力，增强语义匹配的准确性 |
文件类型白名单 | pdf, docx, txt | 明确支持研发文档常见的格式，确保主流文档都能被处理 |
图像OCR | 启用 | 识别扫描版文档中的文本、表格和结构式信息，尤其对于旧有实验记录和专利文件 |
容易做错的三处
- 在分块预览时返回“无法读取该文件内容”，原因可能是文档中存在加密或损坏的页面，或者解析器版本对于某些特定格式的 PDF 兼容性不足。
- 复杂公式或化学结构式在解析后未能正常返回或显示为乱码，这通常是由于文档解析器没有启用或未能正确调用图像识别（OCR）功能，无法将图片形式的公式转换为文本。
- 飞书知识库或其他企业网盘中的 PPT 或 PDF 文档未能同步，多数情况是由于平台接口权限配置不当，或者 FastGPT 的
文件类型白名单未包含这些格式。
怎么确认配好了
- 选择几份具有代表性的小分子化药研发文档（包含表格、图表、化学结构式和长文本），上传后检查分块预览效果，确认关键信息（如化合物名称、药效数据、实验条件）是否被完整且准确地分到各自的块中。
- 使用包含特定专业术语和化学结构式描述的查询语句进行测试，观察召回结果的准确性和相关性，判断嵌入模型对领域知识的理解程度。
- 检查系统日志，确认在处理大型或复杂文档时，没有出现
PARSE_FILE_TIMEOUT_SECONDS相关的超时错误或文件解析失败的提示。 - 核对知识库中已解析文档的元数据，确保文件类型、大小、分块数量等信息与预期一致，并且没有大量文件因未知原因被跳过或解析失败。
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。