这个品类的数据长什么样
基因治疗 AAV（腺相关病毒）药物警戒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、以及监管机构发布的安全性更新。这些数据通常以PDF、DOCX、XML或结构化数据库记录的形式存在，更新频率受临床试验阶段和药物上市后监测要求影响，从季度报告到持续性监测不等。文档结构复杂，包含大量医学术语、剂量信息、患者特征、不良事件（AE）描述及编码（如MedDRA）、实验室指标、影像学结果等。字段单位多样，例如剂量（vg/kg）、时间（天、周）、实验室值（U/L、ng/mL）。
这些特征在「文档解析与分块」这一环带来什么约束
AAV基因治疗药物警戒文档的复杂性对文档解析与分块提出了特定要求。首先，医学术语的专业性要求分词器具备医学词典支持，以避免拆分专业名词。其次，不良事件描述常以非结构化文本形式存在，需要精细化分块，确保一个不良事件的完整描述不会被截断。文档中常包含表格和图片，例如实验室结果表、基因组测序图，这要求解析器能够识别并提取表格数据或对图片内容进行OCR处理。更新频率的不确定性使得增量解析和版本管理成为必要，以高效处理新版报告中的修订内容。同时，AAV药物的特殊性，如病毒载体脱落、免疫原性等，会在文档中以特定模式出现，需要解析时予以关注。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500–800 字符 | 确保不良事件描述、关键临床指标等完整语义块不被拆散，同时兼顾检索效率。 |
分段重叠长度 | 50–100 字符 | 维持上下文连贯性，尤其在医学术语密集或跨段落描述副作用时，有助于模型理解。 |
文件类型白名单 | ['pdf', 'docx', 'xml'] | 优先处理临床报告和监管文件常用格式，支持结构化和半结构化数据。 |
OCR_ENABLED | True | 确保图片中包含的实验室报告、图表等关键信息能够被识别和解析。 |
PARSE_TABLES | True | 提取表格数据，如患者基线特征、不良事件发生率等，转换为可检索的结构。 |
CHUNK_STRATEGY | 按标题分段 | 利用医学报告中常见的章节标题（如“不良事件概述”、“实验室异常”）进行逻辑分段。 |
容易做错的三处
- 解析结果中出现大量医学术语被错误分词或拆分，导致检索时无法匹配完整概念，原因是分词器未配置医学领域词典。
- 文档中的表格数据未被正确提取，检索时无法获得具体数值，而是返回表格的图片描述或缺失数据，原因是
PARSE_TABLES未启用或表格解析算法对复杂医学表格兼容性不足。 - 更新后的报告上传后，旧版本的不良反应信息仍然被召回，原因是知识库未配置版本管理策略或增量更新机制，导致数据冗余和冲突。
怎么确认配好了
- 选取包含复杂医学术语、图表和表格的典型AAV药物警戒报告，上传后检查分段结果，确保关键信息块（如单一不良事件描述、完整实验室指标表）未被截断。
- 针对报告中内嵌的图片和表格，通过搜索其内容，验证OCR和表格解析功能是否成功提取了图片中的文本和表格中的数据。
- 上传同一报告的不同版本，核对知识库中是否只保留最新版本的信息，或者旧版本信息是否被正确标记为历史数据，并验证检索结果的准确性。
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。