这个品类的数据长什么样
这个品类的研报数据主要来自品牌官方产品手册、行业公开调研汇总、电商监测数据。更新节奏随新品上市周期、行业调研周期波动，新品发布阶段更新频率提升，常规月度更新。文档多为多页PDF格式，包含文字分析章节、嵌套式数据表格、内嵌产品成分示意图、合规检测报告截图，部分衍生文档为HTML格式。文档内字段涵盖产品规格、成分列表、功效描述、合规标识、市场表现数据，单位包含体积、质量、浓度相关标识。
这些特征在「文档解析与分块」这一环带来什么约束
多页内嵌图片的PDF文档，要求解析环节同时提取文字与图片内容，避免图片信息被遗漏。嵌套式数据表格的存在，要求分块逻辑保留表格的完整结构，避免拆分导致字段关联断裂。HTML格式的衍生文档，需要适配标签层级解析，不能仅提取纯文本。成分列表、合规标识等结构化字段的上下文关联较强，分块长度需适配字段的语义完整性，避免割裂专业信息。同时，部分文档内的图片附带说明文字，需确保说明与对应图片绑定后再进行分块。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
PARSE_ENABLE_IMAGE | 开启 | 文档包含产品成分示意图、检测报告截图，需提取图片关联信息 |
PARSE_HTML_ENABLE | 开启 | 部分衍生研报为HTML格式，需适配标签层级解析内容 |
SEGMENT_MAX_LENGTH | 800–1200 字符 | 文档内存在长文本分析段落与嵌套表格，该长度可保留语义完整性且避免块间冗余 |
TABLE_PARSE_MODE | 保留完整表格结构 | 嵌套表格内的产品规格、成分数据需完整关联，避免拆分导致字段丢失 |
PARSE_FILE_TIMEOUT_SECONDS | 120 秒 | 多页带图片的PDF解析耗时较长，需避免超时中断 |
CHUNK_OVERLAP_RATE | 10%–15% | 结构化字段的上下文关联较强，重叠可保证语义连贯性 |
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：上传含产品示意图的PDF后，知识库召回结果中无图片相关内容，仅返回纯文字。原因：未开启
PARSE_ENABLE_IMAGE配置项，导致解析环节跳过图片提取。 - 现象：上传HTML格式的研报后，知识库无解析内容返回。原因：未开启
PARSE_HTML_ENABLE配置项，或未适配HTML标签层级进行解析。 - 现象：召回结果中出现拆分的成分表格片段，无法对应完整的产品规格信息。原因：分块长度设置过小，或未启用
TABLE_PARSE_MODE的完整结构保留模式。
怎么确认配好了
- 上传单页含产品图片的测试PDF，查看解析后的知识库内容是否包含图片说明文字与图片关联信息，确认
PARSE_ENABLE_IMAGE配置生效。 - 上传单份HTML格式的测试研报，查看解析进度与结果，确认
PARSE_HTML_ENABLE配置生效且内容完整提取。 - 上传包含嵌套表格的测试文档，查看分块后的内容是否保留完整表格结构，确认
TABLE_PARSE_MODE配置正确。 - 发起测试问答，查询文档内的成分列表或产品规格，确认召回结果包含完整的关联信息，验证分块逻辑的语义完整性。
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。