这个品类的数据长什么样
CDMO（合同研发生产组织）在药物警戒领域的数据主要来源于其为药企客户提供的临床试验和上市后药物生产服务。这些数据包括药物不良事件（Adverse Event, AE）报告、严重不良事件（Serious Adverse Event, SAE）报告、上市后药物安全性更新报告（PSUR）、风险管理计划（RMP）以及批生产记录等。数据更新频率通常与临床试验阶段进展、药物上市情况及监管要求相关，可能为每日、每周或按季度。文档结构多样，既有结构化的表格数据，也有大量的非结构化文本，如医生手写记录、患者访谈记录等。字段方面，除了标准的医学术语，还可能包含CDMO内部的批次号、生产线标识等特有字段，单位则涉及剂量（mg, g）、频率（次/日）、时间（天、周）等。
这些特征在「文档解析与分块」这一环带来什么约束
CDMO药物警戒数据的多样性对文档解析提出了挑战。非结构化文本的存在要求解析工具具备强大的自然语言处理能力，以准确提取不良事件描述、患者特征和用药信息。多源异构数据意味着需要处理不同格式的文件，如PDF、DOCX、XLSX，并统一信息结构。高频更新的数据流要求解析过程具备自动化和增量处理能力，以避免重复解析和资源浪费。特有字段的存在需要灵活的字段识别和映射机制，确保关键生产和批次信息不丢失。此外，药物警戒数据的敏感性要求解析过程必须确保数据完整性和准确性，任何解析错误都可能导致严重的合规风险。对图片内容的解析需求也日益增加，例如从扫描件中识别手写签名或图表信息。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 500 MB | 应对包含大量图表或扫描件的报告文件，确保大文件上传无阻。 |
分段长度 | 800–1200 字符 | 平衡上下文完整性与检索效率，适应不良事件报告中较长的叙述性文本。 |
分段重叠长度 | 100 字符 | 确保分段边界上下文连续，避免关键信息被切割导致语义丢失。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 考虑到大型PDF或包含复杂表格的文档解析时间，防止因超时导致解析失败。 |
chunk_strategy | recursive_text_splitter | 针对非结构化文本和嵌套结构，递归分割能更好地保持语义完整性。 |
图片OCR | 开启 | 应对扫描件和嵌入图片中的文本信息，如手写记录或图表标签。 |
容易做错的三处
- 解析结果中关键字段（如
药物名称、不良事件描述）为空：原因通常是文档解析器未能正确识别或提取非标准格式的字段，或者文档中存在图片形式的文本未进行OCR。 - 上传PDF文件后，图片内容无法在预览或解析结果中显示：原因在于PDF文件中的图片未被解析引擎识别为可提取的对象，或者OCR功能未启用或配置不当。
- 知识库回答准确率低于预期，尤其是在处理DOCX或XLSX文件时：原因可能是分段策略不适合这些文档的内部结构，导致关键信息被不合理地分割，或表格数据未被有效解析为可检索的文本。
怎么确认配好了
- 选取不同格式（PDF、DOCX、XLSX）和内容复杂度（包含图片、表格、长文本）的典型药物警戒报告，上传并检查解析后的分段内容是否完整且语义连贯。
- 针对解析后的知识库，执行模拟提问，围绕报告中的关键信息（如特定不良事件的发生频率、涉及的药物批次），评估回答的准确性和信息完整性。
- 检查解析日志，确保没有出现
解析超时、文件格式不支持等错误信息，关注OCR识别成功率等指标。 - 比对原始文档中的关键数据点（如
AE_TERM字段的值、患者年龄），与解析后知识库中对应信息的提取结果，确保一致性。
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。