这个品类的数据长什么样
自身免疫疾病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、病例报告、医学文献以及药品监管机构发布的安全性更新。这些数据更新频率不一，临床试验报告通常在研究结束后发布，而病例报告和文献则持续产生。文档结构复杂，常包含大量医学术语、缩写、剂量单位（如 mg/kg、IU）、时间单位（如周、月、年）以及详细的患者人口统计学信息、疾病活动度评分（如 SLEDAI、DAS28）、伴随用药和不良事件描述。不良事件描述常以非结构化文本形式存在，涉及症状、严重程度、发生时间、转归等。
这些特征在「文档解析与分块」这一环带来什么约束
自身免疫药物警戒数据的复杂性对文档解析与分块提出特定要求。非结构化文本中的医学术语和缩写需要专业的命名实体识别能力，以避免关键信息丢失。多样的剂量和时间单位要求解析器能准确识别并归一化。由于不良事件描述通常分散在报告的不同部分，且可能包含多个事件，分块时需确保单个不良事件的完整语境不被割裂。同时，疾病活动度评分等结构化或半结构化数据，其数值和单位对药物有效性和安全性评估至关重要，解析时需确保数值与对应指标的关联性。数据更新的持续性也要求解析流程能够高效处理增量数据，避免重复处理和资源浪费。
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 | 平衡了不良事件描述的完整性和检索效率，避免单个分段过长稀释关键信息。 |
分段重叠长度 | 100–150 字符 | 确保跨分段的关键信息（如不良事件与药物关联）在相邻块中得到部分体现。 |
UPLOAD_FILE_MAX_SIZE | 500 MB | 适应大型临床试验报告和真实世界数据库文件上传需求。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 为处理包含大量复杂表格和非结构化文本的PDF文件预留充足解析时间。 |
知识库分段策略 | 按标题和段落 | 有助于保持医学报告中不同章节（如方法、结果、不良事件）的语义完整性。 |
文本清洗规则 | 针对医学缩写扩展 | 将常见的医学缩写（如 "SLE" 扩展为 "系统性红斑狼疮"）转换为全称，提高语义理解。 |
容易做错的三处
- 上传大型 PDF 报告后，系统长时间无响应或显示“请求失败”。这通常是
PARSE_FILE_TIMEOUT_SECONDS参数设置过小，导致文件解析超时。 - 知识库检索结果中，不良事件的剂量或发生时间信息缺失。这可能是因为文档解析时未针对特定单位（如 mg/kg、周）进行有效识别和抽取，导致这些关键字段被错误地分块或忽略。
- 上传表格数据集后，部分数据行未能正确导入知识库。这往往是由于表格中存在非标准字符或合并单元格，导致解析器无法正确识别数据结构。
怎么确认配好了
- 选取包含复杂医学术语、剂量单位和非结构化不良事件描述的代表性文档，上传并检查知识库中分段内容，确保关键信息（如药物名称、不良事件、剂量）的完整性。
- 针对几个典型不良事件，使用相关关键词进行知识库检索，验证返回的分段是否包含完整的事件描述、相关伴随用药和患者特征，并检查分段长度是否合适。
- 上传包含复杂表格的文档，检查表格数据是否被正确解析并分块，特别是涉及疾病活动度评分或实验室检查结果的行与列，确保数值和单位的对应关系正确。
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。