这个品类的数据长什么样
苗头化合物筛选主要涉及大量高通量筛选（HTS）实验数据、化合物结构数据、生物活性数据以及毒性预测数据。数据来源多样，包括内部实验室测试报告、公共数据库（如 PubChem、ChEMBL）、专利文献和科学论文。这些数据通常以结构化（如 SDF、CSV、Excel 文件）和半结构化（如实验报告 PDF、仪器输出日志）形式存在。化合物结构数据包含 SMILES 字符串、InChIKey 等标识符，活性数据则以 IC50、EC50 等定量指标表示。毒性数据可能涉及 LD50 或其他细胞毒性指标。数据更新频率不一，HTS 结果可能每周更新，而公共数据库的更新则相对缓慢。文档结构复杂，常包含表格、图谱和自由文本描述。字段包括 CompoundID、SMILES、Target、AssayType、Concentration、ActivityValue、Unit、ToxicityEndpoint 等。
这些特征在「多轮对话与提示词」这一环带来什么约束
苗头化合物筛选数据的多样性和复杂性，对多轮对话的准确性和提示词的构建提出了特定要求。首先，结构化与非结构化数据的混合使得知识库构建需要精细的分块策略，以确保检索时能准确关联不同类型的信息。例如，一个化合物的活性数据可能存在于 CSV 中，而其毒性报告则以 PDF 形式存在。其次，专业术语和单位的标准化是关键，例如 nM 和 µM 之间的转换，或不同 AssayType 下 ActivityValue 的解读，都需要在提示词中明确指示，以避免模型混淆。多轮对话需要追踪化合物的多个属性，例如先查询活性，再追问毒性，最后询问结构，这要求对话管理能有效维护上下文，并根据用户意图动态调整检索范围。对化合物结构标识符（如 SMILES）的识别和处理，也需要特定的指令来确保模型能正确解析和生成相关信息。
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 | 兼顾化合物实验数据表格的完整性与非结构化报告的语义连贯性 |
召回条数 | 8–12 条 | 覆盖化合物多维度信息（结构、活性、毒性、供应商）的潜在需求 |
相似度阈值 | 0.78–0.85 | 平衡高特异性化合物数据检索与潜在的变体查询 |
重排返回条数 | 4–6 条 | 聚焦最相关的化合物属性和实验结果，减少噪声干扰 |
maxContext | 3000 Tokens | 支撑多轮对话中对化合物属性的深度探究和对比分析 |
SYSTEM_PROMPT | 按实测标定 | 明确指示模型关注 CompoundID、SMILES、ActivityValue 和 Unit 等核心字段 |
容易做错的三处
- 模型返回的化合物活性值单位不一致或数值错误，原因在于原始知识库分段时未对数值型字段
ActivityValue和Unit进行严格关联，或提示词未明确强调单位的重要性。 - 在查询特定化合物的毒性报告时，模型提示“未找到相关信息”，现象是
ToxicityEndpoint字段为空，这可能是因为知识库分段策略过于粗糙，导致相关毒性报告的 PDF 内容未能有效提取或与化合物CompoundID关联。 - 多轮对话中，用户后续提问关于化合物结构信息时，模型未能正确引用前一轮对话中提及的化合物，原因在于
maxContext设置不足，导致上下文丢失，未能保持对CompoundID的持续追踪。
怎么确认配好了
- 输入一个化合物
CompoundID，分别询问其活性、毒性和结构信息，检查返回结果是否准确且信息完整。 - 提供一个包含模糊描述的查询，例如“找出对靶点
EGFR活性最高的几个化合物”，检查模型是否能正确理解并召回相关ActivityValue数据。 - 进行多轮对话，例如先询问化合物
CMP001的IC50值，然后追问“它的LD50是多少”，验证模型是否能维护上下文并正确切换查询目标。 - 随机抽取几个化合物，对比模型返回的
SMILES字符串与原始数据源，确保其一致性。
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。