这个品类的数据长什么样
招标挂网在生物医药领域，其药物警戒相关文档主要来源于各级药品集中采购平台、医保局官网以及药企内部的招投标管理系统。这些文档更新频率较高，通常随国家或地方政策调整、药品批次更新或采购周期而变化，可能每月或每季度进行批次更新。文档结构多样，多以 PDF、Word 或 Excel 格式呈现，其中 PDF 居多。内容通常包含药品名称、通用名、生产企业、剂型、规格、包装、注册证号、批准文号、医保支付标准、中标价格、不良反应监测要求、风险管理计划（RMP）摘要、以及药物警戒责任方等。字段方面，存在大量结构化与半结构化数据，例如“不良反应事件发生率”可能以百分比或具体数字表示，而“监测周期”则以日期范围或具体时段描述。单位方面，剂量单位（mg、g）、包装单位（盒、支）、价格单位（元）等需要精确识别。
这些特征在「文档解析与分块」这一环带来什么约束
招标挂网文档的更新频率高，要求知识库能够快速摄入和更新信息，避免使用过期数据。PDF 格式为主且结构复杂，包含表格、图片、多栏布局，对解析器的准确性和鲁棒性提出挑战。尤其是不良反应监测要求和风险管理计划摘要，常常以非标准化的文本段落形式出现，需要精细化分块以保留语义完整性。文档中存在大量结构化数据，如药品价格和中标信息，需要确保解析时能够准确提取并保持其数据类型，以便后续进行精确匹配和查询。半结构化数据如不良反应事件描述，其变体多，要求分块策略能有效捕捉关键短语和事件描述，避免过度切分导致信息丢失。此外，不同来源文档的字段命名可能存在差异，需要解析器具备一定的字段映射或别名处理能力。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 500 MB | 考虑单个招标挂网文件可能包含多项药品信息，文件体积较大。 |
分段长度 | 800–1200 字符 | 平衡上下文完整性与召回效率，确保不良反应描述的语义连贯。 |
分段重叠长度 | 100–200 字符 | 保证分段衔接处上下文不丢失，尤其在表格或长文本解析时。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型 PDF 或包含复杂表格的文档，避免解析超时。 |
marker-pdf 解析模式 | 表格优先 | 招标挂网文件常包含药品价格、规格等关键表格数据。 |
自定义文本分段规则 | 按实测标定 | 针对特定招标挂网文件结构，如“不良反应监测要求”等段落。 |
容易做错的三处
- 解析 PDF 文件时，表格内容丢失或错位，现象为查询结果中缺乏关键的药品价格或规格信息，原因是没有针对表格结构进行优化或使用了默认的文本解析模式。
- 知识库导入 Excel 文件失败，或 CSV 文件仅识别前两列数据，现象为系统报错“不支持的文件格式”或导入数据不完整，原因是没有配置支持多种文件格式的解析器，或未针对 Excel/CSV 的复杂结构进行预处理。
- 知识库问答结果与原文不符，AI 对不良反应描述进行改写或总结，现象为用户提问后得到的回答不是原文的“答复”，原因可能是分段长度过短导致关键信息被切断，或召回策略未能精确匹配原始问答对。
怎么确认配好了
- 上传多种格式（PDF、Word、Excel）的典型招标挂网文件，检查其在知识库中的预览是否完整，表格数据是否正确识别。
- 针对文件中包含的长段落（如风险管理计划摘要），进行查询，验证召回的分段是否包含完整的语义信息，无关键信息截断。
- 选取招标挂网文件中的特定结构化数据（如药品名称、中标价格），进行精确查询，验证能否准确召回对应的数据点。
- 模拟用户提问关于特定药品的不良反应监测要求，检查返回结果是否直接引用了文档中的相关描述，并与原文进行比对，确保信息一致性。
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。