这个品类的数据长什么样
I 期临床试验预筛的数据主要来源于受试者招募问卷、医学检查报告、既往病史记录和基因检测结果。这些数据以非结构化文本（如医生手写病历扫描件、受试者自述问卷）和结构化数据（如血常规、尿常规、肝肾功能等实验室指标）混合存在。数据更新频率在预筛初期较高，受试者提交信息后会进行补充和修正。文档形式多样，包括 PDF 格式的知情同意书、Word 格式的病例报告表、以及各种图像格式的医学影像。字段与单位具有高度专业性，例如血小板计数 PLT 单位为 10^9/L，肌酐 CRE 单位为 umol/L，存在大量医学缩写和专有名词。
这些特征在「多轮对话与提示词」这一环带来什么约束
I 期临床试验预筛数据的高度异构性，使得多轮对话系统需要强大的文档解析和信息抽取能力。非结构化文本中的关键信息，如既往病史、用药史等，需要通过大模型精确识别和结构化。数据更新频率较高，要求知识库能够快速同步最新信息，避免基于过时数据进行判断。专业性强的字段和单位，对提示词的构造提出了更高要求，需要明确指定大模型对特定医学指标的理解和处理方式，例如在判断受试者是否符合纳入标准时，需准确理解 AST 和 ALT 的正常范围。此外，多轮对话中可能涉及对医学影像报告的解读，这要求系统具备一定的多模态处理潜力，或至少能引导用户上传并由人工辅助判读。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8 | I 期临床预筛对话轮次通常较长，需要保持较长的上下文以追溯病史和用药史 |
分段长度 | 800–1200 字符 | 医学文本段落通常较长，包含详细描述，较长的分段长度有助于保持语义完整性 |
召回条数 | 前 10 条 | 确保能够召回足够多的相关医学概念和标准，提高判断准确性 |
相似度阈值 | 按实测标定 | 需要兼顾高召回和高准确率，避免漏掉关键医学条件或引入无关信息 |
重排返回条数 | 前 5 条 | 对召回结果进行二次排序，优先展示与当前对话意图最相关的医学条款和标准 |
temperature | 0.3 | I 期临床预筛要求严谨性和准确性，较低的 temperature 值可减少模型生成幻觉 |
容易做错的三处
- 现象：对话中模型返回空值或报错，前端直接显示空白。原因：未对大模型
empty返回或 API 错误进行有效捕获和处理，导致信息中断。 - 现象：用户询问后模型未提供“猜你想问”选项。原因：知识库中未配置或配置不当，或召回内容未能有效触发相关问题。
- 现象：对话中模型对医学指标的单位或正常范围理解错误。原因：提示词中未明确指定医学字段的单位和参考值，或知识库未包含相关标准。
怎么确认配好了
- 测试不同受试者案例，验证模型能否正确识别并提取病史、用药史等关键信息。
- 模拟多种问诊场景，检查模型在多轮对话中是否能保持上下文连贯性，并准确引用知识库内容。
- 对照真实 I 期临床试验的纳入/排除标准，评估模型对特定医学指标（如
ALT、eGFR）的判断准确性。
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 2026-09-21，当时的最新发布版本为 FastGPT v4.17.0。