这个品类的数据长什么样
患者援助项目（PAP）的数据主要来源于药企内部的患者管理系统、医疗机构的电子病历摘要以及患者主动提交的医疗报告。这些数据更新频率不一，部分患者状态信息可能每日更新，而诊疗报告则根据复诊周期或治疗阶段更新。文档结构通常包含结构化与非结构化部分。结构化数据如患者基本信息（年龄、性别、诊断时间、治疗方案）、疾病分期、基因检测结果、用药记录等，字段清晰且常伴有国际疾病分类（ICD）或药物通用名（INN）等标准编码。非结构化数据包括医生诊疗笔记、病理报告、影像学报告描述等，这些文本信息量大，涉及大量医学术语、缩写以及临床观察细节。单位方面，常见有剂量单位（mg、μg）、时间单位（天、周、月）、生物指标单位（ng/mL、U/L）等，需严格区分。
这些特征在「多轮对话与提示词」这一环带来什么约束
患者援助项目数据结构复杂性对多轮对话提出了更高要求。结构化字段的精确匹配与非结构化文本的语义理解必须兼顾。例如，在询问患者是否符合“特定基因突变”时，系统需要能够从非结构化的基因检测报告中准确提取相关信息，并与预设条件进行比对。数据更新的非实时性要求系统在多轮对话中能够明确告知用户数据的时间戳，避免基于过时信息做出判断。同时，对话流程需要设计得足够灵活，以应对患者或医生在提供信息时可能出现的模糊、不完整或口语化表达。医学术语的专业性则要求提示词设计时，既要能准确识别用户输入的医学词汇，也要能以患者易懂的方式进行解释或引导，降低沟通门槛。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8 | 确保在多轮对话中能维持足够的上下文，覆盖患者信息收集和条件判断的关键环节。 |
分段长度 | 500 字符 | 非结构化医学文本信息密度高，较短分段有利于提高召回的精准性。 |
召回条数 | 10 | 增加召回条数以覆盖更多潜在相关的医学报告片段，减少漏判风险。 |
相似度阈值 | 0.75 | 患者描述与专业术语之间存在差异，适度降低阈值可提高匹配度。 |
重排返回条数 | 3 | 优先展示与当前对话意图最相关的少数关键信息，减轻模型负担。 |
提示词变量 | {{patient_id}} {{diagnosis_date}} | 确保提示词能动态嵌入患者特异性信息，提高预筛的个性化程度。 |
容易做错的三处
- 对话中出现“未找到相关诊断信息”的报错，这通常是因为对非结构化病理报告的解析能力不足，未能从复杂的医学文本中准确抽取关键诊断字段。
- 系统在询问患者用药剂量时，用户输入“一天两次”后，系统仍继续追问具体剂量，原因为提示词设计未能有效引导模型识别并推断剂量频率，导致参数捕获不完整。
- 在语音输入场景下，用户反馈语音识别结果与实际口述不符，导致后续对话流程中断，这可能与语音模型对特定医学术语或口音的识别准确率有关。
怎么确认配好了
- 设计包含典型患者症状描述和报告片段的测试用例，运行对话流，验证系统是否能准确抽取所有必要参数。
- 准备一套已知符合或不符合特定临床试验入组标准的患者档案，通过对话模拟预筛过程，检查最终判断结果与预期是否一致。
- 监控对话日志中关键参数的捕获率，确保在多数情况下系统能够正确识别并填充所需信息。
- 评估对话轮次，确保在核心预筛流程中，用户能在合理轮次内完成信息提供并获得初步判断。
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。