这个品类的数据长什么样
高值耗材的质量文档主要来源于生产商提供的注册证、产品说明书、检验报告、临床评价报告、供应商资质证明以及内部质量管理体系文件。这些文档的更新频率通常较低，与产品生命周期、法规更新或重大变更相关，例如产品型号迭代或法规修订时会更新。文档结构上，注册证和说明书通常为规范的 PDF 格式，包含大量表格、图示和特定字段（如产品名称、型号、规格、注册证号、生产企业、适用范围、禁忌症、技术要求、检验方法）。检验报告可能包含复杂的实验数据和图表。字段内容常涉及医学术语、计量单位（如毫米、克、毫升、国际单位）、化学物质名称及复杂的批次、序列号编码规则。
这些特征在「文档解析与分块」这一环带来什么约束
高值耗材质量文档的固定格式和低更新频率，要求文档解析阶段能够精确识别并提取结构化信息，尤其是表格和特定字段。文档中的大量专业术语、计量单位和编码规则，对分块的语义完整性构成挑战，需要确保分块时不会割裂关键信息。复杂的图表和图片内容，可能包含重要的可视化信息，需要解析器具备一定的图文识别能力，或至少能够识别其存在并提示人工介入。由于文档更新不频繁，但单次更新可能涉及多个关联文件，因此解析与分块流程需要支持批量处理和版本管理。对于注册证号、批次号等关键标识符，在分块时应尽可能保持其在同一块内，以便后续问答或检索时能准确关联。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 800–1200 字符 | 保留文档上下文，避免专业术语和关联信息被割裂，同时控制单块大小以优化模型处理效率。 |
OVERLAP_SIZE | 100–200 字符 | 确保相邻分块之间有足够的重叠，以维持语义连贯性，尤其在表格、列表等结构化内容边缘。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理包含大量图片、表格或复杂布局的 PDF 文件，防止解析超时。 |
chunkStrategy | 按标题分段 | 高值耗材文档常有清晰的章节标题，按标题分段能较好地保持语义完整性和逻辑结构。 |
OCR_ENABLED | True | 确保扫描件或图片形式的文档内容也能被识别和解析，覆盖多样化的文档来源。 |
TABLE_EXTRACTION_ENABLED | True | 提取文档中的关键表格数据，如技术参数、检验结果，提升结构化信息利用率。 |
容易做错的三处
- 解析结果中表格数据缺失或错乱，原因可能是解析器未开启表格识别功能或解析参数设置不当，导致表格内容被视为普通文本。
- 上传大型 PDF 文件后长时间无响应或报错
504 Gateway Timeout，这通常是由于PARSE_FILE_TIMEOUT_SECONDS配置过小，未能给复杂文档足够的解析时间。 - 查询特定产品型号或批次信息时，返回结果不完整或不准确，原因可能是分块时关键标识符被割裂到不同块中，导致检索时无法完整匹配。
怎么确认配好了
- 上传一份包含复杂表格和图示的典型产品说明书，检查解析后的文本是否完整保留了表格结构和关键字段信息。
- 上传一个文件大小接近
UPLOAD_FILE_MAX_SIZE限制的 PDF 文档，监控解析过程是否能在PARSE_FILE_TIMEOUT_SECONDS内完成，并检查结果。 - 针对文档中的一个特定段落（包含专业术语和计量单位），在知识库中进行检索，验证返回结果是否包含该段落的完整语义。
- 随机抽取几个不同类型的高值耗材文档进行解析，对比原始文档与解析结果，确认分块的粒度是否符合预期，没有出现关键信息被不当分割的情况。
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。