这个品类的数据长什么样
化学制药投研数据来源包括公开专利数据库、临床研究公开报告、药企研发管线披露文档、药典标准文件与行业研报。更新节奏随内容类型差异明显：专利随申请公开实时更新，临床研究数据随试验阶段节点披露，行业研报按季度发布，药典标准每5年正式修订。文档类型包含数十页的专利全文、数百页的临床研究报告、结构化的化合物参数表格、单页的研发管线简报。字段包含SMILES化学结构编码、CAS登记号、摩尔质量、溶解度、半数致死量等，单位涉及g/mol、℃、mg/kg等。
这些特征在「文档解析与分块」这一环带来什么约束
长文本专利与临床报告需避免跨段落拆分专业内容，否则会破坏化学结构式描述、试验步骤的逻辑完整性。结构化化合物参数表格含多列字段，解析时需完整识别所有列内容，避免仅提取前两列。带单位的数值型字段，分块时需确保数值与对应单位绑定，防止检索时匹配失效。专业编码如SMILES结构需保留原始格式，避免解析时被截断或乱码。高更新频率的公开数据还要求解析流程具备足够的处理速度，避免延迟影响知识库时效性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
PARSE_TABLE_MAX_COLUMNS | 10–15 列 | 化学制药投研的结构化表格通常包含化合物编号、CAS号、分子式等多列参数，该区间可覆盖常规业务场景 |
chunk_size | 800–1200 字符 | 化学制药文档包含长段落试验描述与专业编码，该区间可保留内容逻辑完整性，避免拆分破坏专业内容 |
PARSE_PDF_USE_MINERU | 开启 | 化学制药PDF包含复杂排版的结构式与表格，增强解析可提升识别准确率 |
UPLOAD_EXCEL_PARSE_MODE | 全列解析 | 投研用Excel表格包含多列专业参数，需完整提取所有列内容以支持精准检索 |
PARSE_KEEP_ORIGINAL_UNIT | 开启 | 化学制药数值字段需绑定单位才能保证检索有效性，避免匹配失效 |
PARSE_TIMEOUT_SECONDS | 300 秒 | 长专利或临床报告解析需较长处理时间，该时长可覆盖多数长文档解析需求 |
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：上传含多列的化合物参数Excel后，知识库仅识别前两列内容。原因：未调整
PARSE_TABLE_MAX_COLUMNS配置项，默认参数限制了表格列提取数量。 - 现象：上传含化学结构式的PDF后，解析结果中结构式识别错乱，检索无法匹配专业内容。原因：未开启
PARSE_PDF_USE_MINERU配置，未启用增强解析处理复杂排版的结构式与表格。 - 现象：解析100页以上的专利文档时，触发
504超时报错。原因：未调整PARSE_TIMEOUT_SECONDS配置，默认超时时间不足以完成长文档解析。
怎么确认配好了
- 上传一份含3列以上的测试Excel，核对解析后的内容是否包含所有列的字段。
- 上传一份含化学结构式的PDF，核对解析结果中是否保留了完整的SMILES编码与结构式描述。
- 查看分块后的文档片段，确认数值与对应单位是否在同一块内容中。
- 上传一份100页以上的专利文档，核对解析任务是否在预设超时时间内完成。
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。