这个品类的数据长什么样
眼科产品与试剂的数据来源广泛，包括药品说明书、医疗器械注册证、临床试验报告、学术论文、产品彩页、操作手册以及内部培训资料等。这些文档通常以 PDF、Word、HTML 等格式存在。数据更新频率不一，新产品上市、适应症扩展、不良反应报告或法规变更都可能触发更新，但核心成分、作用机制等信息相对稳定。文档结构上，产品说明书有固定的章节划分，如【适应症】、【用法用量】、【禁忌】、【不良反应】等。临床报告则包含【研究背景】、【方法】、【结果】、【讨论】。字段上，常见的有药品通用名、商品名、批准文号、生产企业、规格、有效期、贮藏、不良事件代码（如 MedDRA 编码）等。单位则涵盖mg/ml、IU、mmHg、D（屈光度）等专业计量单位。
这些特征在「多轮对话与提示词」这一环带来什么约束
眼科产品数据的专业性和结构化特性，对多轮对话的准确性和提示词的构建提出了具体要求。产品说明书中的【禁忌】、【不良反应】等关键章节，在多轮对话中需要被精确召回并优先展示，防止误导。临床试验报告中复杂的统计数据和图表，要求系统具备从非结构化文本中提取关键数值的能力，并在对话中以简洁明了的方式呈现。例如，当用户询问某款眼科药物的副作用时，系统需要从大量文本中识别并汇总不良反应的发生率。更新频率的不一致性意味着知识库需要有版本管理机制，确保在不同时间段查询时能获取到对应时期的最新信息。同时，眼科领域特有的专业术语和计量单位，要求提示词设计时能有效引导模型识别这些术语，并避免混淆相似但意义不同的概念，例如，近视度数与眼压值在单位和数值范围上差异显著。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
chunkSize | 800-1200 字符 | 眼科产品说明书和临床报告段落通常较长，包含多项关键信息，较长的分段能保持上下文完整性。 |
overlapSize | 100 字符 | 确保相邻分段有足够重叠，避免关键信息被切割导致上下文丢失，尤其在跨段落引用时。 |
topK | 5-8 条 | 考虑到眼科产品信息量大，召回更多相关条目能提高覆盖率，减少遗漏关键信息。 |
similarityThreshold | 0.75-0.85 | 眼科术语精确性要求高，较高的相似度阈值能过滤掉不相关的召回结果，提升准确性。 |
maxContext | 4000-6000 tokens | 多轮对话中，眼科问题的上下文可能涉及多个产品、症状或治疗方案，需要较长的上下文窗口以维持连贯性。 |
promptTemplate | 包含“作为专业的眼科产品顾问”等角色定义 | 明确模型角色定位，引导其以专业、严谨的语言风格回答眼科相关问题。 |
容易做错的三处
- 对话回复未能引用知识库中的具体产品信息，回复内容泛泛而谈。原因在于
similarityThreshold设置过高，导致相关度稍低的文档未能被召回，模型缺乏足够参考信息。 - 用户提问特定眼科疾病的禁忌症时，系统返回了多个产品的通用说明，缺乏针对性。原因在于知识库文档分段粒度过大，导致召回时包含无关信息，模型难以精准定位。
- 在问及某款眼药水的有效成分剂量时，回复中单位或数值错误。原因在于原始文档中剂量信息可能存在多种表述方式，提示词未能有效引导模型解析并标准化专业计量单位。
怎么确认配好了
- 选择核心眼科产品说明书，针对其【适应症】、【禁忌】、【用法用量】等关键章节进行多轮提问，检查回复是否准确引用了文档内容并保持了专业性。
- 模拟用户对某个不良反应或特殊病例进行咨询，观察系统能否在对话中准确召回并整合来自临床试验报告的数据，并正确解析其中的数值和单位。
- 针对新上市的眼科药物或更新了适应症的产品，测试系统能否获取到最新版本的文档信息，并基于此进行准确回答，评估知识库的更新机制是否生效。
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。