这个品类的数据长什么样
病历质控场景下的数据主要来源于医疗机构内部的电子病历系统（EMR）、医院信息系统（HIS）以及病案管理系统。这些数据以结构化和非结构化混合的形式存在。结构化数据包括患者基本信息、诊断编码（如 ICD-10）、手术记录编码、检验检查结果数值等。非结构化数据则包含大量的自由文本，如主诉、现病史、既往史、查体、医嘱、手术记录描述、出院小结等。数据更新频率通常为实时或准实时，伴随临床诊疗活动的进行。文档结构复杂，一份完整的病历可能包含数十个甚至上百个字段和自由文本区域。字段单位多样，例如血压单位 mmHg、血糖单位 mmol/L、用药剂量单位 mg/次，需要严格区分。
这些特征在「多轮对话与提示词」这一环带来什么约束
病历数据的复杂性和实时性对多轮对话与提示词设计提出了具体要求。自由文本内容多，导致信息提取难度高，需要提示词具备强大的信息抽取能力，并能处理医学术语和缩略语。结构化与非结构化数据混合，要求对话系统在理解自然语言的同时，能够准确关联和引用结构化数据。实时更新的数据特性，使得对话系统需要处理数据版本的一致性，避免引用过期信息。字段单位的多样性，要求在对话中准确识别和转换单位，防止误解。此外，病历的专业性和敏感性，决定了对话输出需要高度准确和谨慎，避免任何可能影响质控判断的错误信息。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 6 轮 | 质控对话通常需要追溯较多上下文，以确保问题理解全面，同时兼顾模型处理长度限制。 |
分段长度 | 500–800 字符 | 自由文本内容密集，适中分段长度有助于保持语义完整性，提高召回准确率。 |
召回条数 | 前 8 条 | 确保覆盖病历中可能分散的关键信息点，提高质控判断的全面性。 |
相似度阈值 | 0.75–0.85 | 医疗文本专业性强，高阈值有助于精确匹配医学概念，减少无关信息干扰。 |
重排返回条数 | 前 5 条 | 经过重排后，聚焦于最相关的核心信息，提升对话回复的精准性。 |
temperature | 0.1–0.3 | 质控场景要求回答准确、严谨，低 temperature 降低模型随机性，确保输出稳定性。 |
容易做错的三处
- 对话中出现
Connection Error提示：通常是由于模型接口连接不稳定或代理配置问题导致，检查网络连接和OPENAI_BASE_URL等环境变量设置。 - AI 对话输出内容不符合预期或存在幻觉：原因在于提示词对病历文本的约束不足，或模型上下文理解不够深入，导致生成了不准确或不相关的回复。
- 模型无法识别病历中的特定医学术语或缩写：知识库中缺少对应的术语解释或同义词，导致召回失败，影响对话质量。
怎么确认配好了
- 通过构造包含复杂医学术语和多轮追问的测试用例，验证模型能否准确理解并回答。
- 检查对话输出是否能准确引用病历中的结构化数据（如检验结果数值带单位），并与原始数据核对一致性。
- 模拟质控场景，输入存在潜在问题的病历片段，观察模型能否识别出关键风险点，并给出符合质控规范的提示。
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。