这个品类的数据长什么样
真实世界研究（RWE）用于临床试验预筛的数据，主要来源于电子健康档案（EHR）、医疗索赔数据库、患者注册表、可穿戴设备数据以及患者自报结果（PROs）。这些数据通常是非结构化与半结构化混合，包含自由文本的临床笔记、诊断码（如 ICD-10）、用药记录（如 ATC 分类）、实验室检查结果以及影像报告。数据更新频率不一，EHR 可能实时更新，而索赔数据通常按季度或年度批量处理。文档长度差异大，从单次门诊记录的数百字到住院病历的数万字。字段方面，存在大量医学术语、缩写，单位涉及剂量（mg/kg）、频率（QD/BID）、时间（天/周/月）等，且标准化程度不高。
这些特征在「多轮对话与提示词」这一环带来什么约束
RWE 数据的高度非结构化特性，导致在多轮对话中需要更强的语义理解能力，以从自由文本中抽取出关键的患者特征。数据更新的不一致性要求系统能够处理不同时间粒度的信息，并在提示词设计时明确数据时效性。长文档与医学术语的存在，使得传统的分段与检索方法可能面临挑战，需要优化分段策略以保持上下文完整性，并增强医学词汇的识别与标准化。字段标准化程度低，意味着提示词必须具备一定的容错性与推理能力，才能准确匹配患者的入排标准，例如，理解不同表达方式的疾病诊断。多轮对话中，用户可能会逐步细化筛选条件，要求系统能动态调整检索范围与结果。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500–800 字符 | 兼顾医学文本的上下文完整性与检索效率，避免单个分段过长导致信息冗余或过短丢失关键信息。 |
召回条数 | 8–12 条 | 确保覆盖足够多的相关患者记录片段，应对RWE数据分散的特点。 |
相似度阈值 | 按实测标定 | 根据具体RWE数据集和预筛条件的复杂程度，通过实验确定能有效区分相关与不相关结果的阈值。 |
重排返回条数 | 3–5 条 | 在召回结果中精选最相关的片段，减少LLM处理的负担，聚焦核心信息。 |
maxContext | 4096 tokens | 适应RWE数据中长文档的特点，确保多轮对话能够承载足够的历史信息与检索到的文档片段。 |
promptTemplate | 包含“请提取患者的疾病诊断、用药史、实验室指标”等指令 | 指导模型从非结构化文本中抽取预筛所需的关键临床信息，应对数据标准化不足的问题。 |
容易做错的三处
- 对话中出现“无法找到符合条件的患者”，原因可能是知识库分段粒度不合理，导致关键信息被拆分或上下文丢失，模型无法有效检索。
- 系统在多轮对话中对患者的年龄、体重等数值型字段理解偏差，显示为“字段为空”或错误的值，这通常是由于提示词未能明确指出单位或数值范围，或者RWE数据中存在多种表达方式未被统一处理。
- 用户修改筛选条件后，系统仍然给出基于旧条件的结果，状态码显示422，这可能是因为多轮对话的状态管理不完善，未能及时更新或清除历史会话上下文。
怎么确认配好了
- 针对一组包含典型入排标准的模拟查询，检查模型在多轮对话后是否能准确识别出目标患者群体，并给出相应理由。
- 在不同长度的患者病历数据上运行检索，验证返回的知识库片段是否完整包含查询条件涉及的医学实体与数值，并检查
相似度阈值在不同查询下的召回表现。 - 进行多轮对话测试，逐步添加、修改或删除预筛条件，观察系统能否正确更新其内部状态，并始终基于最新的条件进行检索与回复。
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。