这个品类的数据长什么样
基建工程投研数据主要来源于招投标文件、施工日志、工程概算书、行业定额标准及现场监测报告。更新节奏随项目阶段变化，招投标文件随项目立项更新，施工日志每日同步，定额标准按行业发布周期更新。文档多为结构化清单与非结构化报告结合，包含标段编号、工程量、材料单价、工期节点等字段，单位涉及立方米、平方米、工时、万元等工程专用计量标准。
这些特征在「知识库检索与召回」这一环带来什么约束
基建工程数据的分散来源与不均更新节奏，会导致知识库内容时效性存在差异，检索环节需区分静态行业定额与动态项目数据的召回权重，避免过时内容干扰结果。文档包含大量工程专用字段与计量单位，通用分词模型无法准确识别专业术语，需调整分词规则适配工程语境。单份文档篇幅差异大，部分施工报告可达数万字符，超出上下文窗口的文本需提前分段，且分段需保留标段、工期节点等关联字段，避免检索时丢失上下文关联。不同项目的文档结构差异显著，标准化召回规则难以适配所有标段，需支持按项目维度过滤召回结果。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 800–1200 字符 | 基建工程文档包含长句的工程量描述与专业术语，800–1200字符可保留单段工程逻辑的完整性，避免拆分破坏专业语境。 |
recall_top_k | 前 10–15 条 | 基建工程投研需兼顾全面性与精准性，过多召回结果会增加后续处理负担，过少则可能遗漏关键标段或材料数据。 |
similarity_threshold | 0.72–0.85 | 工程专业术语的语义相似度需高于通用场景，阈值过低会引入无关的非工程文档，过高则无法召回相似标段的参考数据。 |
parse_file_timeout_seconds | 300 秒 | 大型工程概算书或监测报告解析耗时较长，300秒可覆盖多数长文档的解析需求。 |
enable_rag_chunk_filter | 按项目ID过滤 | 基建工程多按项目维度管理文档，按项目ID过滤可快速定位目标项目的投研数据，避免跨项目数据干扰。 |
max_context_length | 8000 字符 | 基建工程检索结果需拼接多段相关数据，8000字符可覆盖单份投研报告的核心分析需求。 |
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
- 现象为上传含图片的docx文档时，界面返回
400 Bad Request错误，提示文件格式不正确。原因是未开启enable_image_parse配置项，导致解析模块无法处理文档内的图片嵌入内容。 - 现象为调用文件列表接口时，返回的
file_list字段为空。原因是未指定project_id查询参数，或参数格式错误，导致系统无法匹配对应项目的文档列表。 - 现象为选择问答拆分模式后，无法生成图片相关的问答对。原因是未开启
image_qa_split配置项，且未配置图片解析的前置处理流程。
怎么确认配好了
- 上传一份含工程专用术语的docx文档，检查解析后文本是否保留了工程量、标段编号等核心字段，确认分词与解析配置生效。
- 发起一次检索请求，查看返回结果的条数是否符合配置的召回条数要求，验证召回条数配置正确。
- 调用文件列表接口，传入正确的
project_id参数，确认返回的file_list包含预期的工程文档，验证过滤配置生效。 - 上传含图片的docx文档，确认解析后文本包含图片的OCR识别内容，验证图片解析配置开启。
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。