这个品类的数据长什么样
多肽药物的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、药品说明书、医学文献以及不良事件报告（ADR）系统。这些数据更新频率较高，尤其是在新药上市后，ADR 报告会持续涌入。文档结构呈现多样性，临床试验报告通常为结构化的 PDF 或 Word 文档，包含详细的患者信息、用药方案、不良事件描述、实验室检查结果等，部分内容以表格形式呈现。医学文献多为非结构化的科研论文，其中不良反应信息散布在正文、图表和附录中。ADR 报告则通常是半结构化的 XML 或文本文件，包含患者标识符、药物名称、剂量、给药途径、不良事件术语（如 MedDRA 编码）、发生时间、结局等字段，剂量单位常涉及毫克（mg）、微克（µg）、单位（U）等，且报告中常出现医学缩写和专业术语。
这些特征在「文档解析与分块」这一环带来什么约束
多肽药物数据来源的广泛性，导致文档格式多样，影响了统一解析的效率。特别是扫描版 PDF 和图片格式的报告，需要高质量的光学字符识别（OCR）处理，以确保文本内容的完整性。高频更新的 AD R报告流要求解析系统具备实时处理能力，避免信息滞后。文档中包含的复杂表格结构，例如临床试验报告中的不良事件列表，要求解析器能准确识别表格边界、行与列关系，并提取单元格内容。医学专业术语和缩写的大量存在，对分块后的语义完整性提出挑战，需要确保分块不割裂关键医学概念。此外，多肽药物独特的剂量单位（如 U）和给药方式描述，要求解析器在分块时能保留这些关键信息，以便后续的实体识别和关系抽取。
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 | 兼顾语义完整性和召回效率，避免过长段落稀释关键信息，过短段落割裂医学概念。 |
重叠长度 | 150 字符 | 确保分块边界处的语义连贯性，尤其在表格或长句跨越分块时。 |
OCR_ENABLED | true | 处理扫描版 PDF 和图片格式的 AD R报告，确保文本可解析。 |
MAX_FILE_SIZE_MB | 500 MB | 适应大型临床试验报告和医学文献，避免文件上传失败。 |
PARSE_TIMEOUT_SECONDS | 600 秒 | 应对复杂文档（如多页表格、大量图片）的解析耗时，防止超时中断。 |
TABLE_EXTRACTION_MODE | advanced | 准确解析临床试验报告中多层嵌套或合并单元格的表格结构。 |
容易做错的三处
- 上传扫描版 PDF 后，知识库搜索结果为空，原因在于未启用 OCR 功能，导致图片内容无法被识别为文本。
- 知识库分块后，多肽药物的剂量信息（如“100 U”）在不同分块中被割裂，原因是
分段长度设置过小，且重叠长度不足以覆盖关键短语。 - 上传多个 AD R报告文件后，系统显示部分文件解析失败，状态码为
504 Gateway Timeout，原因是PARSE_TIMEOUT_SECONDS设置过短，无法应对长文件或复杂结构的解析耗时。
怎么确认配好了
- 随机抽取多肽药物临床试验报告、药品说明书和 AD R报告，上传至知识库，检查每个文档是否都能成功解析并生成分块。
- 对包含复杂表格的 PDF 文件进行解析，检查表格内容是否能被正确提取，且表格中的关键数据（如不良事件发生率、剂量）在分块中得到保留。
- 在知识库中搜索特定多肽药物的剂量、不良反应术语（如“恶心”、“呕吐”）、给药途径等，检查召回的分块是否包含这些关键信息，且语义完整。
- 上传包含医学缩写（如“QD”、“BID”）的文档，验证解析后的分块是否能正确识别并保留这些缩写，或将其展开为完整词汇。
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。