这个品类的数据长什么样
DTP 药房在临床试验预筛场景下的数据主要来源于三个方面：患者的电子健康档案（EHR）、药房自身的销售与用药记录，以及临床试验招募平台提供的试验方案详情。患者EHR数据通常包含诊断信息、既往病史、过敏史、用药情况等，数据结构相对规范，但可能存在非结构化文本描述。药房销售记录则以结构化数据为主，记录了患者购买的药品名称、剂量、购买时间等，更新频率较高，可按日或周更新。临床试验方案文档则多为PDF或Word格式，包含试验的纳入/排除标准、研究药物信息、试验周期等，字段复杂且多为专业术语，单位涉及剂量（mg、g）、周期（天、周、月）等，更新频率取决于试验进展，通常为月度或季度。
这些特征在「多轮对话与提示词」这一环带来什么约束
DTP药房数据的多源性和复杂性，对多轮对话与提示词设计提出了具体要求。EHR中的非结构化文本，使得在对话中准确抽取关键病史信息成为挑战，需要更精细的实体识别和关系抽取提示词。药房销售记录的实时性，要求对话系统能够快速查询并整合最新的用药数据，提示词需要明确指定查询的时间范围和药品类型。临床试验方案文档的专业性和多样性，意味着在匹配患者与试验时，提示词必须能够理解并转换复杂的纳入/排除标准，例如将“ECOG评分≤1”转换为患者可理解的语言，并引导患者提供相关信息。此外，不同数据源的更新频率差异，也要求多轮对话机制在数据同步和信息提示方面进行差异化处理，避免提供过时或不准确的试验信息。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8 轮 | 兼顾记忆能力与计算成本，应对复杂病史追问。 |
分段长度 | 500–800 字符 | 适应临床试验方案文档的专业术语密度，提高召回准确性。 |
召回条数 | 7 条 | 覆盖多个潜在匹配的临床试验，确保全面性。 |
相似度阈值 | 0.75 | 平衡召回率与精确率，过滤掉不相关的试验信息。 |
重排返回条数 | 3 条 | 优先展示最相关的试验，减少用户阅读负担。 |
max_tokens | 2048 | 确保生成回答能完整包含试验的关键信息和解释。 |
容易做错的三处
- 在对话中询问患者病史或用药情况时，系统未能准确理解患者的自然语言描述，导致后续推荐的试验不匹配。原因在于提示词对医疗术语的理解和实体抽取能力不足。
- 当调用外部工具查询最新药品销售数据时，工具调用失败或返回空结果，导致无法判断患者的当前用药情况。原因在于工具配置中的参数映射不正确，或者API接口返回的错误未被妥善处理。
- 用户在对话中反复询问同一问题或提供相同信息，系统未能识别重复内容，造成对话效率低下。原因在于历史对话未被有效利用，或
maxContext设置过低未能维持足够长的记忆。
怎么确认配好了
- 通过模拟多种患者对话路径，检查系统是否能准确识别并抽取患者的症状、诊断和用药信息，并将其转化为可用于匹配临床试验的结构化数据。
- 验证系统在多轮对话中能否正确调用外部工具，例如查询患者的历史用药记录或最新的临床试验招募信息，并检查返回结果的准确性和完整性。
- 评估系统在面对模糊或不完整信息时，能否通过追问引导患者提供更详细的必要信息，最终给出符合DTP药房业务场景的临床试验预筛建议。
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 2026-09-21，当时的最新发布版本为 FastGPT v4.17.0。