这个品类的数据长什么样
基建工程投研的数据主要来自行业标准图纸PDF、施工日志Excel、造价清单CSV、招投标公告Word等。更新节奏随项目进度调整，单项目周期内按月或按周更新。文档多带有固定章节结构，包含工程概况、工程量清单、进度计划等模块，字段多带专属单位，如立方米、平方米，部分文档包含扫描图纸与嵌套表格。
这些特征在「文档解析与分块」这一环带来什么约束
固定章节结构要求解析环节保留原文档的章节层级，避免跨章节内容拼接导致语义断裂。嵌套表格与专属工程单位需要解析工具准确识别单元格关联关系，防止数值与对应单位错位。包含扫描图纸的PDF需支持精准OCR识别矢量标注文字，避免工程参数丢失。高频更新的项目文档需适配批量解析的效率要求，避免单文件处理超时影响整体进度。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
ocrEnable | 扫描版图纸PDF设为开启，普通文本PDF设为关闭 | 基建工程文档包含大量扫描版施工图纸，开启OCR可提取图纸内的工程参数与标注文字，普通文本PDF关闭可节省解析资源 |
chunkSize | 800–1200 字符 | 基建工程文档多含长文本的工程量清单与进度说明，该区间可保留单条工程数据的完整语义，避免拆分后数值与单位分离 |
chunkOverlap | 100–150 字符 | 保留相邻分块的重叠内容，避免跨章节的工程逻辑被拆分断裂，适配基建文档的长段落结构 |
excelParseMode | 保留原始表格结构，按行拆分单元格 | 基建工程的造价清单Excel多为嵌套表格，按行拆分可保留每个工程量项的完整字段与单位关联 |
parseTimeout | 600 秒 | 大型基建项目的PDF图纸文件体积较大，600秒的超时时间可避免大文件解析被强制中断 |
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：上传造价清单Excel后，检索结果中工程量与单位错位。原因：未配置
excelParseMode为按行拆分单元格，导致解析时丢失单元格与字段的关联关系。 - 现象：扫描版图纸PDF解析后，图纸内的标注文字未被召回。原因：未开启
ocrEnable配置，未触发OCR提取图片内嵌文字。 - 现象：分块后出现单条工程量数据被拆分到两个分块，且单位未跟随数值。原因：未明确分块单位为字符，误用token数量作为分块依据，导致中文语义拆分不连贯。
怎么确认配好了
- 上传单份扫描版施工图纸PDF，查看解析结果中的文字内容，确认OCR提取的标注文字完整。
- 上传造价清单Excel，检查解析后的表格结构，确认每个工程量项的数值与单位关联未断裂。
- 测试不同分块长度的解析效果，对比分块后的语义完整性，调整至符合业务需求的取值。
- 上传大型PDF图纸文件，查看解析任务的状态，确认未出现超时报错。
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。