这个品类的数据长什么样
清洁验证在生物医药生产中是确保药品质量和安全的关键环节。其数据主要来源于生产设备的清洁验证报告、残留检测数据、清洁方法验证方案、设备操作规程以及偏差调查报告。这些文档通常以 PDF 格式存在，部分可能为扫描件。更新频率与生产批次和设备清洁周期直接相关，通常为周期性更新，例如每批次生产后或每季度进行复核。文档结构高度规范化，包含固定的章节标题、表格数据和实验结果。字段包括但不限于残留限度、检测方法、回收率、批次号、设备编号、清洁剂种类、分析结果以及验证结论。单位涉及微克/平方厘米（µg/cm²）、ppm、百分比（%）、pH 值等，对精度要求极高。
这些特征在「文档解析与分块」这一环带来什么约束
清洁验证文档高度结构化和对数值精度的要求，使得传统的文本分块方法可能不足以准确提取关键信息。文档中大量的表格数据和多层级标题，要求解析器能够识别并正确关联表格行与列的语义，以及标题与内容的层级关系。扫描件的存在意味着需要进行高质量的 OCR 识别，以确保文本内容的完整性和准确性。残留限度、回收率等关键数值的提取，必须准确识别单位并处理数值范围。更新频率决定了知识库需要支持增量更新和版本管理。这些约束要求文档解析不仅要实现文本切片，更要深入理解文档的逻辑结构和语义，以便后续的知识检索和推理能基于准确的数据。
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 | 平衡上下文完整性与检索效率，避免过长段落稀释关键信息 |
分段重叠长度 | 50–100 字符 | 确保段落之间有足够的上下文衔接，防止关键信息被截断 |
marker | v1 | 针对结构化文档和表格数据，v1 在处理复杂布局时表现更稳定 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 应对大型清洁验证报告（含大量图表和扫描件）的解析时长 |
maxContext | 4000 字符 | 确保解析后的段落能够保留足够的上下文供后续召回使用 |
召回条数 | 前 5 条 | 保证检索结果的精炼性，优先返回最相关的清洁验证记录 |
容易做错的三处
- 解析日志显示
marker报错或split异常，通常是由于文档结构过于复杂或包含大量非文本元素，导致解析器难以正确识别分段标记。 - 文档解析耗时过长，甚至出现超时，这可能是因为
PARSE_FILE_TIMEOUT_SECONDS设置过低，不足以处理包含高分辨率扫描件或超大文件体积的验证报告。 - 解析后的文档内容出现关键数值或单位缺失，例如残留限度或回收率未被正确提取，反映了
marker选择不当或解析策略未能有效识别表格和特定字段。
怎么确认配好了
- 上传具有代表性的清洁验证报告，检查解析后的分块内容是否完整保留了关键的表格数据和段落。
- 随机抽取解析后的多个文档分块，验证其中是否准确包含了批次号、设备编号、残留限度等核心字段信息。
- 使用包含特定关键词（如“残留限度”、“回收率”、“批次”）的查询，检查知识库能否召回包含这些关键词的正确分块，并评估召回结果的准确性。
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。