这个品类的数据长什么样
其他综合投研场景的数据源涵盖公开监管文件、第三方行业数据库导出文档、企业自研接口文档（如Javadoc生成的HTML）、零散行业白皮书PDF及内部投研笔记。更新节奏覆盖不定期（监管文件）、周期性（第三方数据与自研接口文档）。文档结构包含结构化HTML（固定类、方法层级）、半结构化PDF（内嵌图表、表格）及纯文本笔记，字段包含类名、参数类型、文号、生效日期等，部分字段附带字节、万元等单位。
这些特征在「文档解析与分块」这一环带来什么约束
结构化HTML接口文档需精准提取类、方法块，避免误拆分关键逻辑；半结构化PDF内嵌图表与图片，需同时提取文本与图片内的OCR内容；多来源、多结构的文档需适配不同解析规则，避免通用解析器丢失类名、参数类型等特定字段；周期性更新的文档需支持增量解析，减少重复处理成本；带单位的字段需保留关联关系，避免分块后单位与参数脱节。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
max_chunk_size | 800–1200 字符 | 匹配接口文档的方法块、研报段落长度，避免拆分单个逻辑单元 |
chunk_overlap | 100–150 字符 | 保留跨块上下文，防止接口参数、图表说明被拆分断裂 |
enable_ocr | 开启 | 适配带内嵌图片的PDF文档，提取图片内的投研数据文本 |
parse_html_strategy | strict | 精准解析Javadoc生成的HTML接口文档，完整提取类、方法及参数信息 |
parse_timeout_seconds | 600 秒 | 适配大体积批量文档，避免解析超时导致任务失败 |
upload_max_size | 100 MB | 支持上传大型行业白皮书、数据库导出文档 |
本页给出的参数取值均为常规建议，用于确定配置的起点。实际取值受材料形态、数据量与业务规则影响，具体问题需具体分析，建议在自有样本上实测后再定。
容易做错的三处
- 现象：上传Javadoc生成的HTML接口文档后，解析结果仅包含少量零散文本或完全为空。原因：未开启HTML解析配置，或使用宽松解析模式导致DOM结构被误判。
- 现象：上传包含内嵌图片的PDF文档后，仅提取页面文字，未召回图片内的文本内容。原因：未开启OCR解析配置，或OCR识别阈值设置过高。
- 现象：分块结果将单个接口方法拆分为多个片段，导致检索时无法获取完整的参数说明。原因：分段长度设置过小，未匹配接口文档的块结构。
怎么确认配好了
- 上传单份Javadoc HTML接口文档，查看解析结果中是否包含完整的类名、方法列表及参数说明。
- 上传包含内嵌图表的PDF文档，检查解析结果中是否同时存在图表周边文字及OCR提取的图片文本。
- 查看解析任务的后台日志，确认未出现超时错误或格式不支持的报错提示。
- 发起检索测试，输入接口文档中的特定参数名称，确认召回的分块包含完整的上下文关联内容。
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 2026-09-14，当时的最新发布版本为 FastGPT v4.17.0。