这个品类的数据长什么样
分子诊断在药物警戒中的数据，主要来源于临床试验报告、真实世界研究（RWE）数据、病例报告、产品说明书、监管机构提交文件以及学术论文。这些数据通常以非结构化文档形式存在，例如PDF格式的临床研究报告、Word文档的产品说明书或扫描件的病例记录。文档结构复杂，包含大量表格、图表和自由文本。字段方面，除了常规的患者信息、用药史、不良事件描述外，还特别关注基因突变类型、生物标志物检测结果、检测方法（如NGS、PCR）、检测试剂盒批次等分子层面的详细数据。单位涉及基因组学中的碱基对（bp）、拷贝数（copies）、读数（reads），以及常规的浓度单位（如ng/mL、nM）。数据更新频率取决于临床试验进度、新产品上市、监管要求变更以及不良事件的持续报告，通常是周期性更新，但在出现严重不良事件时可能需要紧急更新。
这些特征在「文档解析与分块」这一环带来什么约束
分子诊断文档的复杂结构和专业字段对文档解析提出了高要求。大量的表格和图表需要专门的解析策略，以确保数据完整性和正确性。例如，基因检测结果常以表格形式呈现，错误解析可能导致关键突变信息丢失。分子层面的特有字段和单位，如基因位点、变异类型、测序深度等，需要精确识别，否则会影响后续药物警戒的准确判断。多源异构的数据格式要求解析器具备强大的兼容性。更新频率的不确定性，特别是紧急事件触发的更新，要求解析流程具备高效率和低延迟。此外，文档中可能包含大量扫描件或图片形式的报告，要求解析器能处理OCR识别，并将其文本内容纳入分块。对特定关键词、如特定的基因名称或生物标志物，需要确保其在分块边界处不被截断，以保持语义完整性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunkOverlap | 100 字符 | 确保关键分子诊断术语和不良事件描述在分块边界处语义连续，避免截断影响理解。 |
chunkSize | 800–1200 字符 | 平衡召回率与模型处理效率，适应分子诊断报告中包含的较长专业描述。 |
maxContext | 4000 token | 确保在召回时能提供足够的上下文，覆盖完整的基因检测报告片段或不良事件详情。 |
UPLOAD_FILE_MAX_SIZE | 1000 MB | 适应大型临床试验报告或包含高分辨率图片扫描件的文档。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 考虑OCR处理大型PDF文档和复杂表格解析所需的时间。 |
ocr_enabled | true | 分子诊断文档常包含扫描件报告和图片形式的检测结果，启用OCR是获取完整信息的必要条件。 |
容易做错的三处
- 文档导入后，部分表格数据或基因检测结果字段缺失。这通常是由于未启用OCR或解析器对复杂表格结构支持不足，导致关键信息未能正确提取。
- 上传大型PDF文件后，系统长时间显示“在索引”状态或解析失败。这可能是因为文件大小超出
UPLOAD_FILE_MAX_SIZE限制，或者PARSE_FILE_TIMEOUT_SECONDS设置过短，未能完成对复杂文档的解析。 - 在检索相似文档时，与特定基因突变相关的片段召回不完整。这多是由于
chunkSize设置过小，导致描述同一分子事件的句子被拆分到不同块中，或chunkOverlap不足导致上下文丢失。
怎么确认配好了
- 上传典型分子诊断报告（包含表格、图表、扫描件），检查解析后的文本内容是否完整还原了所有关键信息，特别是基因检测结果和不良事件描述。
- 使用包含特定基因名称、生物标志物或检测方法关键词的查询，验证召回结果中这些关键词及其上下文是否语义连贯，未被不当截断。
- 监控系统日志或状态，确保大型文档导入和解析过程没有超时或报错，并且索引状态最终显示为完成。
- 通过对比解析前后文档的关键字段，如不良事件代码、基因突变位点、检测试剂批次，评估解析准确率是否达到预期。
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。