CAR-T 细胞治疗产品的多轮对话与提示词

这个品类的数据长什么样

CAR-T 细胞治疗产品的数据主要来源于临床试验报告、药物说明书、学术论文、监管机构批准文件以及上市后真实世界研究数据。这些数据更新频率相对较低，通常随临床试验进展、新药获批或重大研究成果发布而更新，周期可能为数月至数年。文档结构复杂，包含大量专业术语、缩写和生物学路径描述。常见字段包括靶点抗原、细胞来源、制备工艺、适应症、临床疗效指标（如完全缓解率 CR、客观缓解率 ORR）、不良事件发生率 AE、剂量、给药方案、药代动力学参数等。单位涉及 %、mg/kg、cells/kg、天、月、年 等，且常常伴随置信区间或统计学显著性标记。

这些特征在「多轮对话与提示词」这一环带来什么约束

CAR-T 数据的复杂性与专业性对多轮对话与提示词设计提出了具体要求。首先，更新频率低意味着知识库构建时需注重数据来源的权威性与时效性，提示词需要引导模型优先引用最新批准信息。其次，文档结构复杂且专业术语密集，要求提示词设计时加入术语解释或上下文关联指令，以确保模型能准确理解用户提问意图，并从非结构化文本中抽取出关键信息。例如，用户可能仅提及“白血病”，模型需通过多轮对话确认具体疾病类型（如 ALL 或 CLL），并结合靶点信息提供精准的 CAR-T 产品建议。此外，疗效与安全性数据的量化特性，决定了提示词应鼓励模型在回答中明确引用具体数值和单位，避免模糊表述，例如在说明 CR 率时应给出百分比及对应的研究人群。

配置怎么定

配置项	建议取法	这样取的依据
`maxContext`	`8000` 字符	确保能够涵盖长篇临床试验报告中的关键信息，减少截断导致的信息丢失。
`分段长度`	`500–700` 字符	平衡文本语义完整性与召回效率，避免单一分段过长稀释核心信息。
`召回条数`	`8–12` 条	考虑到 CAR-T 信息的专业性与关联性，需要更多上下文进行综合判断。
`相似度阈值`	`0.78–0.85`	提高召回的精准度，过滤掉与 CAR-T 产品高度专业化问题关联度较低的文档片段。
`重排返回条数`	`4–6` 条	在高相似度召回基础上，进一步精选最相关的内容，提升最终答案的质量。
`systemPrompt` 指令	明确要求引用临床数据	强制模型在回答中提及数据来源、关键指标数值和单位，如 `CR %`。

容易做错的三处

对话中出现大量不相关或过时的 CAR-T 产品信息，原因在于知识库同步机制未有效关联最新监管批准数据，导致模型引用了已撤市或未批准的产品。
在询问不良事件时，模型返回的症状描述过于笼统，没有提及具体的发生率或分级，原因在于提示词未明确要求模型提取不良事件的 CTCAE 分级或具体百分比数据。
用户在多轮对话中修改了疾病类型，但模型仍基于前一轮的疾病信息推荐产品，原因在于对话状态管理机制未能有效更新用户意图，导致上下文漂移。

怎么确认配好了

针对不同适应症（如 DLBCL、MM）提问，检查模型是否能准确推荐对应靶点（如 CD19、BCMA）的 CAR-T 产品，并引用最新临床数据。
模拟用户询问特定 CAR-T 产品的副作用，核对模型返回的信息是否包含常见不良事件的发生率区间或 CTCAE 等级描述。
进行多轮追问，如先询问产品 A 的疗效，再追问其与产品 B 的差异，观察模型能否在保持上下文连贯性的前提下，准确对比两者的关键指标。

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。