这个品类的数据长什么样
呼吸系统临床试验预筛的数据主要来源于医疗机构的电子病历系统、患者自述问卷、影像学报告（如胸部 CT、X 线）、肺功能检查结果以及实验室检测数据。这些数据更新频率不一，病历记录和检查结果可能实时更新，而患者自述问卷则按需填写。文档结构上，电子病历通常是半结构化或非结构化文本，包含诊断、病史、用药史等自由文本字段；影像学报告多为描述性文本辅以结构化结论。字段与单位方面，肺功能报告会包含 FEV1 (一秒用力呼气容积，单位升)、FVC (用力肺活量，单位升) 等指标；实验室检测结果则涉及各种生物标志物（如炎症因子 CRP，单位 mg/L），这些数据对筛选标准至关重要。
这些特征在「多轮对话与提示词」这一环带来什么约束
呼吸系统疾病的复杂性及其诊断数据的多样性，对多轮对话与提示词设计提出了具体约束。患者病史和症状描述往往是开放性文本，难以直接匹配结构化筛选标准，这要求对话系统具备对非结构化文本的理解能力，尤其是在识别关键医学术语和排除标准时。影像学报告和肺功能数据中的数值型指标，在对话中需要精确提取和比对，提示词设计需引导模型关注这些数值的范围和单位。多轮对话需要记忆患者的既往病史和用药情况，以避免重复提问，并根据上下文动态调整后续问题。此外，由于呼吸系统疾病的诊断标准可能包含多个层级和互斥条件，提示词需具备逻辑推理能力，确保筛选过程的准确性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 800–1200 字符 | 确保能覆盖患者的初步描述、关键病史和近期检查结果，避免上下文丢失 |
召回条数 | 5 条 | 平衡召回精度与计算成本，聚焦核心筛选条件文档 |
相似度阈值 | 0.75 | 提高匹配相关医学术语和症状描述的准确性，减少误召回 |
分段长度 | 400 字符 | 优化长篇病历文本的切分，确保每个分段包含完整语义信息 |
重排返回条数 | 3 条 | 在初步召回基础上，通过重排进一步提升最相关信息的排序 |
temperature | 0.3 | 保持对话回复的严谨性和客观性，减少生成性幻觉 |
容易做错的三处
- 对话中出现“我没有选择知识库”的提示，原因是知识库与当前会话未正确关联，或系统未能识别到有效的知识库ID。
- 患者提供的某些关键症状或检查结果在对话中被忽略，导致预筛结果不准确，原因通常是提示词未能有效引导模型提取特定医学实体或数值。
- 对话过程反复询问相同信息，导致用户体验不佳，这通常是由于对话
memory机制配置不当或未正确启用。
怎么确认配好了
- 通过模拟多个患者病例，验证对话系统能否准确识别并提取关键的呼吸系统疾病相关症状和检查结果。
- 检查对话日志，确认系统在多轮交互中能够正确记忆患者的既往病史和已提供信息，避免重复提问。
- 对比预设的临床试验筛选标准，评估系统给出的初步筛选结论与人工判断的一致性，核实主要纳入/排除条件是否被正确应用。
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。