这个品类的数据长什么样
化妆品智能尽调的数据来源包含品牌方备案资料、第三方成分检测报告、供应链台账、电商平台销售数据及监管部门公示文件。更新节奏随新品上线、合规检查周期波动，无固定周期。文档格式涵盖结构化Excel（含产品清单、成分表）、非结构化Word/PDF报告（含合规判定、功效宣称说明）。字段包含产品名称、备案编号、成分CAS号、含量百分比、合规状态等，单位涉及mg/100g、%、批次号等。
这些特征在「文档解析与分块」这一环带来什么约束
化妆品尽调数据包含万行级结构化Excel与超10万字非结构化文档，解析与分块需适配多格式混合的数据源。成分表、合规项等字段存在精准数值与关联判定，分块需保留字段边界与上下文关联，避免拆分后信息断裂。文档存在固定模块（如备案章节、成分清单），需识别模块边界以维持逻辑完整性。数据体量波动范围大，需支持动态调整参数适配不同量级的尽调文件。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunk_size | 800–1200 字符 | 化妆品尽调文档包含成分表、合规判定等需保留上下文的内容，该区间可平衡信息完整性与向量存储效率 |
chunk_overlap | 150–200 字符 | 成分名称、含量数值等关键信息易被分块截断，重叠区间可保留跨块关联内容 |
PARSE_EXCEL_HEADER_MODE | 固定表头匹配 | 化妆品尽调Excel的表头（如产品名称、备案编号）格式固定，可避免表头识别错误 |
UPLOAD_FILE_MAX_SIZE | 200 MB | 单份备案文件或供应链台账可能达到百兆级别，该阈值可覆盖常规尽调文档体量 |
rag_split_mode | 按语义分段 | 化妆品成分报告、监管公示文档的语义模块清晰，按语义分段可保留文档逻辑完整性 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 超10万行Excel或10万字Word文档的解析耗时较长，该时长可避免解析中断 |
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：Excel数据分块后出现字段错位、表头被拆分到不同块中。原因：未配置
PARSE_EXCEL_HEADER_MODE为固定表头匹配模式，默认解析逻辑误将多行表头识别为内容块。 - 现象：分块后数据块超出向量模型支持上限，导致向量生成失败。原因：未调整
chunk_size至适配化妆品文档的区间，默认参数块过大超出向量模型支持范围。 - 现象：解析过程出现超时报错（状态码504）。原因：未调整
PARSE_FILE_TIMEOUT_SECONDS至适配超10万行Excel或10万字Word文档的时长，默认超时阈值不足以完成全量解析。
怎么确认配好了
- 上传单份10万行级Excel尽调数据，检查解析后的数据块是否保留完整表头与行关联，无字段错位情况。
- 上传单份10万字Word成分检测报告，检查分块结果是否保留成分名称、含量数值等关键信息的上下文关联，未出现跨块断裂。
- 查看向量生成日志，确认每个数据块的字符数处于预设的
chunk_size区间内，未出现超出向量模型支持上限的块。 - 模拟用户查询，输入与成分合规性相关的问题，检查召回的分块内容是否包含完整的关联信息，无缺失或错位。
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。