这个品类的数据长什么样
小分子化药的药物警戒数据主要来源于临床试验报告、上市后监测报告（如 CIOMS I 表）、药品说明书、医学文献以及监管机构发布的安全性更新。这些文档通常以 PDF 格式为主，也包含少量 Word 或结构化数据文件。更新频率方面，临床试验报告通常在试验结束后发布，上市后监测报告则根据不良事件发生情况持续积累，监管更新具有不定期性。文档结构上，报告类文件常包含摘要、正文、图表、附录等部分，其中不良事件描述、药物剂量、用药途径、患者特征等信息分布在不同段落。字段与单位方面，涉及剂量（mg、g）、频率（次/日、QD）、时间（天、周）、不良事件术语（MedDRA 编码）、实验室指标（mmol/L、U/L）等，单位标准化程度较高。
这些特征在「文档解析与分块」这一环带来什么约束
小分子化药药物警戒文档的特性对文档解析与分块提出了具体要求。首先，PDF 格式为主且结构复杂，要求解析器能准确识别文本、表格和图片中的文字，并处理多栏布局。不良事件描述可能跨页或嵌入在长段落中，需要智能分块策略以保持语义完整性。其次，频繁更新的监测报告意味着增量解析和版本管理的重要性，避免重复处理已解析内容。字段与单位的高度标准化，使得在分块后可以利用正则表达式或命名实体识别技术，更精确地提取关键信息，例如剂量 50 mg 或事件 肝酶升高。此外，医学术语的专业性要求分块时避免切断关键短语，确保召回时能提供完整的上下文。对于表格数据，需要解析器能够将其转换为可查询的结构化文本，供后续检索使用。
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检索效率，避免切断关键不良事件描述。 |
分段重叠长度 | 100–200 字符 | 确保跨分段的关键信息不丢失，提升召回质量。 |
PARSE_FILE_TIMEOUT_SECONDS | 300–600 秒 | 处理大型临床报告或包含大量图表的 PDF 文件，防止解析超时。 |
maxContext | 32000 token | 适应长篇幅的医学报告，为大模型提供足够上下文理解复杂案例。 |
PDF_OCR_ENABLED | true | 确保扫描版或图片形式的报告内容也能被识别和解析。 |
CHUNK_STRATEGY | 按标题和段落 | 优先保持文档的逻辑结构，如不良事件章节、剂量信息章节。 |
容易做错的三处
- 现象：上传 PDF 文件后，部分表格内容未能正确提取，导致关键剂量或实验室数据缺失。 原因：解析器未能正确识别 PDF 中的复杂表格结构，将其内容混淆为普通文本或直接跳过。
- 现象：系统日志显示
PDF parsing failed: doc2x error，文件解析中断。 原因：PDF 文件可能存在加密、损坏或内部结构异常，导致底层解析工具无法正常处理。 - 现象：大模型在回答中未能提及某个明显存在于原文中的不良反应事件，或事件描述不完整。 原因：文档分块时，关键事件描述被不当切分，导致单个分块缺乏足够的上下文信息。
怎么确认配好了
- 选择一份包含复杂表格和多栏布局的典型小分子化药临床试验报告，上传后检查解析结果，确认表格数据是否完整且结构化。
- 选取几份不同来源（如监管机构、药企）的药物警戒报告，上传后查看分块预览，确认不良事件、剂量等关键信息是否在合理的分块内保持语义完整。
- 针对解析失败的 PDF 文件，尝试使用
PDF_OCR_ENABLED参数，并重新上传，观察解析结果是否改善。
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。