这个品类的数据长什么样
培养基与耗材相关的药物警戒数据主要来源于产品说明书、批次检验报告、供应商资质文件、内部质量控制记录以及外部用户反馈报告。这些文档通常以 PDF 格式为主，也包含扫描件，部分产品说明书会提供 Word 或 Excel 版本。数据更新频率相对稳定，新产品上市或配方变更时会有集中更新。文档结构上，产品说明书通常包含成分列表、使用方法、储存条件、注意事项和不良反应报告指引等固定章节。批次检验报告则多为表格形式，详细列出各项检测指标与结果。字段方面，常见的有批号、生产日期、有效期、成分名称、浓度、pH 值、内毒素含量等，单位涉及克/升、毫克/毫升、μg/mL、mmol/L 等。
这些特征在「文档解析与分块」这一环带来什么约束
鉴于培养基与耗材文档的特性，文档解析与分块环节面临多重约束。首先，大量扫描件和图片形式的操作手册要求 OCR 引擎具备高识别率，以确保文本内容的完整提取。其次，产品说明书中的成分列表和注意事项往往是关键信息，需要确保这些结构化或半结构化数据能被准确识别并分块，避免关键信息遗漏。批次检验报告的表格数据解析是另一个挑战，需要能够识别表格边界、行与列，并正确关联表头与数据，以便后续不良反应事件中对特定批次产品的快速溯源。此外，由于存在多种计量单位，分块时需注意单位的识别与归一化，防止因单位混淆导致的信息误判。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
PDF_ENHANCE_MODE | OCR_ONLY | 针对大量扫描件和图片内容，确保最大程度的文本提取。 |
CHUNK_SIZE | 800-1200 字符 | 兼顾上下文完整性与搜索召回效率，避免过长或过短的碎片。 |
OVERLAP_SIZE | 100 字符 | 确保分块边界处的语义连续性，尤其适用于注意事项和不良反应描述。 |
TABLE_RECOGNITION_ENABLED | true | 准确解析批次检验报告中的表格数据，支持字段级检索。 |
IMAGE_TO_TEXT_MODE | OCR_AND_ORIGINAL_IMAGE | 对于图文并茂的操作手册，既提取文本，又保留原始图片辅助理解。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对大型产品说明书或包含大量扫描页面的文档，防止解析超时。 |
容易做错的三处
- 解析结果中表格数据错位或关键字段缺失：原因在于表格识别参数未优化，未能正确识别复杂表格结构或合并单元格。
- 操作手册图片内容被 OCR 识别为乱码，原始图片却未保留：这通常是由于
IMAGE_TO_TEXT_MODE配置不当，导致系统尝试对所有图片进行 OCR 且未保留原始视觉信息。 - 文档解析耗时过长，甚至出现超时错误：这可能源于
PARSE_FILE_TIMEOUT_SECONDS设置过低，不足以处理包含大量页面或复杂布局的 PDF 文件。
怎么确认配好了
- 随机抽取 5 份包含表格的批次检验报告，检查解析后的文本或 JSON 输出中表格数据的完整性和准确性，特别是批号、成分、检测结果等关键字段。
- 选择 3 份图文结合的产品操作手册，验证解析结果中是否同时包含可读文本和原始图片链接，并核对图片内容与文本描述的对应关系。
- 上传一份超过 100 页的 PDF 产品说明书，监控解析过程是否在
PARSE_FILE_TIMEOUT_SECONDS设定的时间内完成，并检查其主要章节内容的分块是否合理。
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。