这个品类的数据长什么样
智能导诊在药物警戒领域的数据主要来源于患者就诊记录、病历报告、用药医嘱、医学文献以及药物不良反应报告（ADR）。这些文档通常包含非结构化或半结构化文本，如自由文本描述的症状、诊断、用药历史和不良反应事件。数据更新频率较高，新的ADR报告和医学文献会持续产生。文档结构多样，从规范化的表格数据（如ADR报告中的患者基本信息、药品信息）到临床医生手写的病历记录。字段涉及患者ID、药品通用名/商品名、剂量、给药途径、不良反应发生时间、症状描述、严重程度、预后等。症状描述常使用自然语言，缺乏统一编码，单位可能涉及计量单位（mg、ml）、时间单位（天、小时）等。
这些特征在「文档解析与分块」这一环带来什么约束
智能导诊药物警戒的数据特征对文档解析与分块提出了特定约束。首先，文档来源多样性要求解析器具备处理不同格式（PDF、Word、图像等）的能力，特别是对扫描件和手写体内容的识别。其次，自由文本中包含大量医学术语、缩写和口语化表达，需要语义理解能力强的解析模型，以准确识别药物、症状和不良反应之间的关联。高更新频率意味着知识库需要快速增量更新，解析过程需高效。文档中关键信息（如药物剂量、不良反应描述）往往散布在长文本中，需要精细的分块策略，确保重要上下文不被割裂，同时避免块过长引入噪音。对图像地址的解析需求，也要求解析服务能支持OCR或图像内容提取。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size (分段长度) | 800–1200 字符 | 兼顾上下文完整性与召回精度，避免单个分块过大或过小，影响语义关联。 |
chunk_overlap (分段重叠) | 100–200 字符 | 确保分块边界的上下文连续性，降低关键信息被分割的风险，尤其适用于描述性文本。 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 应对复杂PDF、长篇医学文献或图像OCR解析可能耗时较长的情况，防止解析中断。 |
enable_ocr | True | 药物警戒数据中常包含扫描件病历或图片形式的报告，开启OCR可提取图像内文本。 |
min_text_length (最小文本长度) | 50 字符 | 过滤掉短小、信息量不足的文本片段，减少噪音，提升知识库质量。 |
embedding_model | text-embedding-ada-002 或更优 | 确保对医学专业术语和复杂句式的语义理解能力，提高向量召回的准确性。 |
容易做错的三处
- 解析图片链接或图像文件时，FastGPT未成功提取文本，返回空内容或报错
Failed to parse image content。原因在于enable_ocr参数未开启，或底层OCR服务未正确配置/启动，导致无法处理非文本格式的文档。 - 上传的药物不良反应报告PDF文件解析超时，日志显示
File parsing timed out。原因可能是PARSE_FILE_TIMEOUT_SECONDS设置过短，无法应对包含大量图表、复杂排版或OCR识别耗时长的文档。 - 在检索患者病历时，关键的用药剂量或症状描述未能被召回。原因可能是
chunk_size设置过大，导致一个分块中包含过多无关信息，稀释了关键信息的权重；或chunk_overlap过小，使得跨分块的关键上下文被割裂。
怎么确认配好了
- 上传多种格式（PDF、扫描件图片、Word）的药物警戒文档，检查知识库中是否成功生成文本分块，并验证分块内容是否完整、准确。
- 针对包含手写体或图片文字的文档，确认通过开启
enable_ocr后，图像中的文本内容能够被正确提取并分块。 - 随机抽取知识库中的几个分块，检查其长度是否符合
chunk_size和chunk_overlap的预期范围，特别是关键信息是否被完整保留在一个或相邻分块中。 - 使用包含特定药物、症状或不良反应关键词的查询语句进行检索，观察召回结果是否包含相关文档分块，并检查分块内容是否与查询意图高度相关。
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。