这个品类的数据长什么样
皮肤科临床试验预筛的数据主要来源于电子病历系统（EHR）、患者报告结局（PRO）数据、影像学报告（如皮肤镜、组织病理学）以及实验室检查结果。EHR 数据通常包含结构化的诊断编码（如 ICD-10）、用药记录、既往病史和非结构化的医生手写病程记录。PRO 数据则以问卷形式呈现，包含患者对症状、生活质量等的主观描述。影像学报告多为图像和附带的诊断文字。实验室检查结果涉及血常规、肝肾功能等，数据格式相对标准化。数据更新频率不一，E病历实时更新，PRO数据按访视时间点收集，影像和实验室结果则在检查完成后录入。
这些特征在「多轮对话与提示词」这一环带来什么约束
皮肤科数据中非结构化文本占比较高，如医生病程记录和患者PRO描述，这要求多轮对话系统具备强大的自然语言理解能力，以从海量文本中抽取出关键信息。影像学报告中的诊断文字与图像关联紧密，在提示词设计时需考虑如何有效引导模型理解这些多模态信息的文本表示。疾病诊断和用药涉及大量专业术语，提示词需包含领域词汇表，避免歧义。此外，临床试验预筛往往需要追溯患者的长期病史和用药依从性，多轮对话必须能够有效管理上下文，在复杂的时间序列数据中进行推理，并根据患者的回答调整后续问题，以精确评估入组标准。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8000 tokens | 皮肤科病历文本冗长，需要更大的上下文窗口以捕获完整病史和多轮对话细节。 |
temperature | 0.3 | 临床决策对准确性要求高，较低的temperature能确保模型输出更稳定、事实性更强。 |
promptTemplate | 包含“皮肤病学”、“诊断标准”、“入排标准”、“用药史”等关键词 | 明确引导模型聚焦皮肤科领域知识，提高信息抽取的精准度。 |
knowledgeRecallTopK | 8 | 皮肤科疾病复杂，相关知识点多，增加召回条数有助于覆盖更全面的背景信息。 |
rerankReturnK | 3 | 精选最相关的知识点进行重排，减少无关信息对后续对话的干扰。 |
workflowMaxSteps | 10 | 临床预筛流程可能涉及多步骤判断，预留足够的步骤以完成复杂逻辑。 |
容易做错的三处
- 对话流程在中途意外终止，日志显示
workflow_step_limit_exceeded。原因在于预设工作流步数不足以应对复杂查询或多轮追问。 - AI回答中出现与患者实际情况不符的用药建议或诊断推断，日志显示
knowledge_base_recall_empty。原因在于知识库中缺少对应疾病或药物的详细信息，或提示词未能有效触发相关知识召回。 - API调用对话时，响应时间过长或输出不完整，日志显示
api_timeout。原因在于系统未能有效处理长文本输入或复杂工作流，导致后端处理超时。
怎么确认配好了
- 针对典型皮肤科病例，模拟多轮对话，核对模型是否能准确识别疾病名称、症状描述和关键检查结果，并与专家判断进行比对，确认召回的知识点准确无误。
- 进行压力测试，观察系统在处理大量并发请求和长文本输入时的响应时间，确保在用户可接受的延迟范围内，同时检查日志中是否存在
api_timeout或workflow_step_limit_exceeded等异常。 - 随机抽取一定数量的预筛对话记录，评估模型对入组标准的判断准确性，并与人工预筛结果进行一致性分析，确定
temperature和promptTemplate对最终判断的影响是否符合预期。
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。