DTP 药房制度的多轮对话与提示词

这个品类的数据长什么样

DTP 药房的制度与 SOP 数据主要来源于企业内部的规章制度文档、操作流程手册、培训材料及合规性文件。这些数据通常以 PDF、Word 或扫描件的形式存在，更新频率相对固定，通常为季度或年度修订，遇政策变动或业务流程调整时会进行额外更新。文档结构严谨，包含目录、章节标题、条款编号和详细说明。字段与单位方面，常涉及药品批号、有效期、存储条件（如 2-8℃）、操作步骤编号（如 SOP-001-01）、责任人、审核日期等，这些信息往往是文本与结构化数据的混合。

这些特征在「多轮对话与提示词」这一环带来什么约束

DTP 药房制度数据的更新周期相对固定，对即时性要求不高，但对准确性和合规性有极高要求。这意味着在知识库构建时，需特别关注文档解析的完整性和内容的忠实还原，以避免误解或遗漏关键条款。文档中包含大量编号、温湿度等结构化信息，要求分段策略能有效保持这些信息的上下文关联，防止在切片时破坏关键数据对。多轮对话中，用户可能频繁追问特定条款的细节或不同制度间的交叉影响，要求系统能精准理解并从多个相关知识块中提取信息进行综合回答。提示词设计需要兼顾通用性与特定性，既能处理日常查询，也能应对合规性审查等高风险场景。

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`	保留制度条款的完整语义单元，避免关键信息被切割，同时兼顾召回效率。
`分段重叠长度`	`100 字符`	确保相邻分段之间有足够的上下文衔接，便于多轮对话中的语义连贯。
`召回条数`	`前 5 条`	DTP 制度查询通常需要较多上下文来支撑决策，增加召回量有助于全面性。
`相似度阈值`	`0.78`	确保召回内容的精准度，减少不相关条款的干扰，避免合规性风险。
`maxContext`	`6000 tokens`	适应多轮对话中累积的对话历史和召回内容，保障模型理解能力。
`重排返回条数`	`前 3 条`	进一步筛选出与用户意图最相关的条款，提高回答的精确性和效率。

容易做错的三处

对话中出现关于某个制度的回答不完整或缺失关键步骤，原因在于 分段长度 过小，导致制度条款被不当切分，关键信息分散。
用户询问不同制度间的关联影响时，系统无法给出综合性回答，原因是知识召回时 召回条数 不足，未能覆盖所有相关条款。
AI 回答中出现批号或温度单位错误，原因是原始文档解析时未能正确识别并抽取结构化字段，或在 相似度阈值 设置过低时召回了不准确的文本片段。

怎么确认配好了

针对关键制度条款进行多轮提问，核对 AI 回答是否完整覆盖了原始文档中的所有必要信息。
模拟用户在复杂场景下，如交叉引用不同制度进行提问，观察 AI 能否准确联结并给出逻辑清晰的回答。
抽取包含特定字段（如药品批号、存储温度 2-8℃）的文档进行测试，验证 AI 在回答中是否能准确引用这些结构化信息。

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。