这个品类的数据长什么样
实体瘤相关的质量文档数据来源多样，包括临床试验报告、病理诊断报告、手术记录、基因检测报告和药物生产质量管理规范（GMP）文件等。这些文档的更新频率不一，临床试验数据可能按阶段性报告更新，而GMP文件则可能每年或根据法规变化进行修订。文档结构上，多数为非结构化或半结构化文本，包含大量医学术语、缩写和特定格式的表格。例如，病理报告会包含肿瘤类型、分级、切缘状态等字段；基因检测报告会列出基因突变位点、变异频率等。字段值常伴随特定的计量单位，如毫米（mm）、微摩尔（µmol/L）、拷贝数（copies）。文档语言以中文和英文为主，混合了专业医学词汇和标准规范表述。
这些特征在「工作流编排」这一环带来什么约束
实体瘤数据多源、更新周期不一的特点，要求工作流具备灵活的数据摄入和版本管理机制。非结构化与半结构化文档结构，意味着在数据预处理阶段需要投入更多资源进行信息抽取和结构化。例如，从病理报告中准确提取肿瘤大小、淋巴结转移状态等关键字段，需要依赖高级的命名实体识别（NER）和关系抽取能力。专业医学术语和缩写的存在，对RAG（检索增强生成）环节的知识库构建和查询理解提出了挑战，需要高质量的医学词典和同义词表支持。此外，字段与单位的规范性要求，使得在信息比对、验证和生成报告时，必须进行严格的单位一致性检查，避免因单位混淆导致的数据错误。多语言混合的文档，则需要确保工作流中的文本处理模型支持多语言能力，或在预处理阶段进行统一的语言转换。
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 | 实体瘤文档段落通常较长，包含多条关键信息，此范围有助于保持语义完整性，降低切分造成的上下文丢失。 |
召回条数 | 前 5 条 | 保证召回足够的相关上下文，覆盖实体瘤复杂病情的多个方面，同时避免无关信息干扰。 |
相似度阈值 | 0.75–0.85 | 实体瘤文档的专业术语相似度高，此阈值有助于筛选出高度相关的文档片段，排除泛化信息。 |
重排返回条数 | 3 条 | 经过重排后，精选出最相关的少量片段，提高最终生成的准确性和简洁性。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型临床试验报告或基因检测报告时，文件解析耗时较长，增加超时时间以防解析失败。 |
maxContext | 32000 tokens | 实体瘤病历和指南通常信息量大，更大的上下文窗口能容纳更长的输入，减少信息截断。 |
容易做错的三处
- 工作流执行超时，日志显示
TASK_TIMEOUT错误码。原因可能是文档解析或向量化处理大型实体瘤临床报告时，默认超时时间不足以完成任务。 - 生成的报告中关键医学字段为空或错误。原因可能是信息抽取模型在面对特定格式的病理报告时，未能准确识别出所有必填字段，导致上游数据质量问题向下传递。
- 多个工作流调用时，意外触发了非预期的工作流逻辑。原因可能是工作流间的触发条件或
Agent路由逻辑定义不明确，导致在特定输入下，错误地匹配到了其他疾病领域的工作流。
怎么确认配好了
- 选取包含复杂医学术语和多段落结构的实体瘤文档，测试工作流能否准确提取所有预设的关键字段，并验证提取值的单位和格式是否正确。
- 使用一系列涵盖不同实体瘤类型（如肺癌、乳腺癌）和病情描述的查询，检查RAG模块返回的文档片段是否高度相关，并能支持生成准确的回答。
- 模拟不同数据量和文档长度的输入，观察工作流的执行时间，确保在处理大型文档时，
PARSE_FILE_TIMEOUT_SECONDS等参数设置能有效避免超时错误。 - 创建多个针对实体瘤不同子类型的并行工作流，通过测试输入验证每个工作流都能被正确识别并执行，不会出现混淆或误触发。
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。