这个品类的数据长什么样
siRNA 核酸药的数据主要来源于临床前研究报告、临床试验数据、专利文献、监管机构（如 FDA、EMA）的审批文件以及学术期刊。这些数据更新频率相对较低，通常随新药研发进展或监管政策调整而发布。文档结构复杂，可能包含药物作用机制、靶点信息、序列设计、给药方式、药代动力学、毒理学、适应症、副作用和临床疗效等多个方面。字段方面，常涉及核酸序列（例如 sense strand、antisense strand）、化学修饰位点、靶基因 ID、疾病编码（如 ICD-10）、药物剂量（单位 mg/kg 或 nM）、疗效指标（例如 knockdown efficiency 百分比）、不良事件等级（如 CTCAE 标准）等。数据中包含大量非结构化文本，如实验方法描述和讨论。
这些特征在「多轮对话与提示词」这一环带来什么约束
siRNA 核酸药数据的复杂性与专业性对多轮对话与提示词设计提出了特定要求。首先，核酸序列、靶点基因等核心信息的准确性至关重要，需要确保对话系统能够精确识别和引用这些专业术语，避免误解。其次，数据更新频率低，意味着知识库构建时需注重数据源的权威性和时效性，避免引入过时信息。再次，文档结构复杂，提示词需要引导模型从非结构化文本中抽取出关键信息，例如从临床报告中提取特定剂量下的疗效数据。多轮对话需要支持用户深入探究药物作用机制或副作用，系统应能追踪上下文，并在后续轮次中提供更细致的解释或相关数据。例如，当用户询问特定 siRNA 的靶点时，系统不仅要提供靶点名称，还能进一步解释其在疾病通路中的作用，并关联到药物的临床适应症。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 800–1200 字符 | siRNA 核酸药文档专业术语多，长段落有助于保持上下文语义完整性，避免关键信息被截断。 |
召回条数 | 前 5–8 条 | 保证召回足够多的相关文档片段，覆盖药物作用机制、序列细节和临床数据等多个维度。 |
相似度阈值 | 0.75–0.85 | 确保召回的文档与用户查询高度相关，过滤掉核酸药领域中大量看似相关但不精确的通用生物学信息。 |
maxContext | 32000 token | 较长的上下文窗口有助于模型在多轮对话中跟踪复杂的核酸药研发流程、药代动力学数据及临床试验结果。 |
重排返回条数 | 3 条 | 聚焦于最核心、最相关的文档片段，提升模型对关键信息的提取效率，避免无关信息干扰。 |
temperature | 0.3–0.5 | 确保模型输出的药物咨询结果严谨准确，降低幻觉风险，符合生物医药领域的专业要求。 |
容易做错的三处
- 对话系统在用户多次修改某个药物参数（如剂量
dosage或靶点target gene）时，未能正确更新全局变量，导致后续回复仍基于旧参数。这是由于提示词设计中缺乏对变量更新指令的明确引导，或者上下文管理模块未正确处理变量的重写逻辑。 - 用户询问特定 siRNA 药物的临床试验进展，系统返回的却是药物的专利申请信息或早期体外实验数据。这通常是由于知识库索引的粒度不够细致，无法区分不同研发阶段的文档类型，导致召回结果不精确。
- 模型在解释 siRNA 作用机制时，输出的专业术语与用户提问的领域不符，例如将
RNA interference解释成gene editing。原因在于训练数据或知识库中存在术语混淆，或者提示词未能明确限定模型的回答范围和专业词汇使用规范。
怎么确认配好了
- 针对不同复杂度的 siRNA 核酸药查询，测试模型是否能准确引用其核酸序列（如
siRNA sequence）和靶点基因 ID。 - 检查多轮对话中，当用户对某个药物的剂量或适应症进行追问时，系统能否基于前几轮的上下文提供连贯且准确的补充信息，并能区分用户是修改参数还是补充提问。
- 验证系统在处理关于药物副作用或临床风险的询问时，是否能从知识库中召回并总结出权威的监管机构报告（例如
FDA label）或临床研究数据，避免泛泛而谈。 - 评估模型在面对模棱两可的查询时，能否主动向用户澄清意图，例如询问用户是想了解药物的
in vitro效果还是in vivo临床数据。
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。