这个品类的数据长什么样
供应商审计在药物警戒领域的数据主要来源于审计报告、CAPA（纠正与预防措施）文档、供应商资质证明、SOP（标准操作规程）以及培训记录等。这些文档通常以 PDF 格式为主，部分可能为扫描件。更新频率不固定，通常根据审计周期或事件驱动，例如发现新的不良反应信号或法规更新。文档结构多样，审计报告通常包含执行摘要、发现项、建议和结论；SOP 则有固定的章节编号和标题。字段方面，可能涉及药品名称、批次号、生产日期、审计日期、发现类型、严重程度、责任方、完成日期等，单位则涵盖日期、批号、文本描述等多种形式。
这些特征在「文档解析与分块」这一环带来什么约束
供应商审计文档的异构性对文档解析提出了挑战，尤其是扫描件的 OCR 识别准确性。更新频率的不确定性，意味着需要灵活的增量解析策略，避免重复处理未变更内容。多样化的文档结构要求解析器能适应不同报告模板，确保关键信息被有效提取，例如审计发现和 CAPA 措施。字段的特异性，如药品批次号或发现严重程度，需要特定的模式匹配或实体识别能力，以保证这些关键信息的完整性和准确性。同时，由于审计报告可能包含大量背景信息，文档分块需要识别并隔离核心的发现项和行动计划，避免无关内容的干扰。
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 | 平衡上下文完整性与召回效率，适应审计报告中段落长度 |
分段重叠长度 | 150–200 字符 | 确保上下文连续性，避免分块边界处关键信息丢失 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对扫描件 OCR 识别耗时，防止大型文件解析超时 |
maxContext | 8192 token | 确保模型能处理较长的审计发现或 CAPA 描述 |
相似度阈值 | 按实测标定 | 依据审计报告中语句的语义相似度分布，平衡召回精度 |
OCR_ENABLE | true | 处理常见的扫描版审计报告和资质证明文件 |
容易做错的三处
- 文档上传后，搜索测试结果为空：这通常是由于 PDF 扫描件质量不佳，导致 OCR 识别失败，文档内容未被成功提取。
- 部分 PDF 文件内容为空，而其他文件正常识别：这可能源于 PDF 文件内部编码差异或保护设置，导致解析器无法读取文本层。
- 解析完成后，召回结果中包含大量无关背景信息：文档分块策略未能有效识别和隔离审计发现的核心内容，导致上下文稀释。
怎么确认配好了
- 上传典型审计报告后，检查知识库中是否成功提取文本内容，并核对关键字段（如审计发现、CAPA 描述）的完整性。
- 使用“搜索测试”功能，针对报告中的具体发现项进行查询，验证召回结果的准确性和相关性，关注是否能返回核心的句子或段落。
- 模拟查询，验证系统对批次号、日期等特定格式字段的识别能力，并检查返回结果中这些信息的正确性。
- 调整分块长度后，对比不同配置下查询结果的上下文完整性与冗余度，以确定合适的分段策略。
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。