这个品类的数据长什么样
II-III 期临床试验阶段的药物警戒数据主要来源于临床试验方案、受试者病例报告表（CRF）、严重不良事件（SAE）报告、定期安全性更新报告（PSUR/DSUR）以及研究者手册等。这些文档通常是 PDF 格式，包含大量结构化和非结构化文本，如患者基本信息、用药史、不良事件描述、实验室检查结果、诊断代码（如 MedDRA 编码）以及不良事件与研究药物相关性评估。数据更新频率在试验进行期间较高，尤其是 SAE 报告需在规定时限内提交。文档结构复杂，常包含表格、图表和长篇叙述性段落。字段和单位具有高度专业性，例如剂量单位（mg/kg）、时间单位（天、小时）、实验室指标单位（mmol/L、U/L）以及医学术语。
这些特征在「文档解析与分块」这一环带来什么约束
II-III 期临床药物警戒数据的复杂性对文档解析与分块提出了特定要求。首先，PDF 文档中的表格和图表内容需要准确提取，这要求解析器具备高级的布局识别能力。其次，SAE 报告的实时性和高频更新，意味着知识库需要支持增量更新和版本管理，避免重复摄入或信息遗漏。长篇叙述性段落中的关键信息，如不良事件的发生发展过程、严重性判断和处置措施，必须被有效识别并分块。医学术语和诊断编码的专业性，要求分块策略能够保持这些上下文的完整性，避免因断裂而导致语义丢失。例如，一个不良事件的描述可能跨越多个句子，甚至段落，分块时需确保相关信息被归入同一块，以支持后续的精准检索和问答。
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 | 兼顾长文本上下文和检索效率，避免切断核心信息。 |
重叠长度 | 100–200 字符 | 确保分块边界的上下文连续性，提高召回率。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 适应大型 PDF 文档解析，避免超时报错。 |
maxContext | 按实测标定 | 根据实际 LLM 上下文窗口限制，确保有效输入。 |
召回条数 | 前 5–10 条 | 平衡检索准确性和 LLM 处理负载。 |
相似度阈值 | 0.75–0.85 | 过滤不相关分块，提高检索结果质量。 |
容易做错的三处
- 知识库中的 Excel 数据在检索时返回结果不完整，例如查询“使用地为国外”时结果条目偏少。这通常是由于 Excel 文件在解析时未正确识别所有数据行或列，导致部分数据未被有效索引。
- 上传大型 PDF 文档时系统报错，提示超时或处理失败。这可能与
PARSE_FILE_TIMEOUT_SECONDS参数设置过小有关，无法应对复杂文档的解析耗时。 - 分块内容中，辅助数据如 MedDRA 编码未能在匹配时发挥作用，导致检索结果不精准。这表明分块策略可能未能将辅助数据与主要内容进行有效关联或索引。
怎么确认配好了
- 上传典型 II-III 期临床试验方案或 SAE 报告，检查其解析后的知识库分块内容，确保关键信息如患者特征、不良事件描述、剂量信息等完整且上下文连贯。
- 使用包含特定医学术语或诊断代码的查询语句进行检索，核对召回的分块是否准确包含这些专业信息，并验证相关辅助数据是否被有效利用。
- 对解析后的分块进行随机抽样检查，确保表格内容和长篇叙述性段落中的关键数据点（如实验室指标数值、时间点）被正确提取和分块，且未出现语义断裂。
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。