这个品类的数据长什么样
临床前安评（安全性评价）制度的数据主要来源于国家药品监督管理局（NMPA）、国际人用药品注册技术协调会（ICH）等官方机构发布的法规、指南、技术要求，以及药企内部制定的标准操作程序（SOP）、内部规范和实验记录。这些文档通常以 PDF、Word 或扫描件形式存在，内容结构严谨，包含大量专业术语、剂量单位（如 mg/kg、ppm）、时间单位（如天、周、月）、动物品系、给药途径、毒性指标（如 LD50、NOAEL）等。文档更新频率相对稳定，通常在法规或指南修订时进行，但内部 SOP 会根据实际操作和经验积累进行小范围修订。字段与单位具有高度的标准化和专业性。
这些特征在「多轮对话与提示词」这一环带来什么约束
临床前安评制度的专业性和严谨性，对多轮对话的准确性和提示词的构建提出了高要求。文档中包含的剂量、时间等数值信息，要求模型在对话中能准确理解和引用，避免单位混淆或数值误读。由于法规和SOP的文本量通常较大，且包含大量交叉引用，多轮对话需要具备强大的上下文管理能力，以支持用户在不同条款间进行跳转和追溯。此外，法规更新的周期性意味着知识库需要定期维护，以确保模型始终基于最新有效信息进行回答。专业术语的密集出现，要求提示词能够引导模型在回答时保持术语的准确性，避免泛化解释，同时，对用户输入的口语化提问也需要具备一定的理解和转换能力。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500-800 字符 | 确保单个知识块包含足够上下文，同时避免过长导致信息过载和召回效率下降。 |
召回条数 | 前 8 条 | 法规和SOP的交叉引用较多，增加召回条数有助于覆盖更广范围的相关信息。 |
相似度阈值 | 0.75-0.82 | 确保召回内容的专业性和相关性，排除泛化或不精确的匹配。 |
重排返回条数 | 前 3 条 | 在保证相关性的前提下，进一步精选最核心的几条，提高回答的精确度。 |
maxContext | 4096 tokens | 适应法规文本的复杂性与专业性，为多轮对话提供充足的上下文窗口。 |
temperature | 0.1-0.3 | 降低模型发散性，确保回答基于事实，符合法规制度的严谨性要求。 |
容易做错的三处
- 现象：模型回答中出现剂量单位混淆，例如将 mg/kg 误读为 g/kg。原因：原始文档中存在多种单位表示方式，知识分段时未能有效区分，导致模型在生成时未能准确识别。
- 现象：用户提问“哪个条款提到动物福利”，模型回答“没有权限操作此对话记录”。原因：知识库中未对法规条款进行明确的权限管理或引用标注，模型在尝试引用时触发了通用权限错误提示。
- 现象：多轮对话中，用户后续问题与前一轮的上下文脱节，模型回答缺乏连贯性。原因：
maxContext参数设置过小，导致模型无法有效维持较长的对话历史，或提示词设计未能有效引导模型关注历史对话。
怎么确认配好了
- 针对一系列包含专业术语、剂量和时间单位的复杂提问，检查模型回答中是否准确引用了数值和单位，并与原始文档进行比对，验证其准确性。
- 模拟多轮对话场景，测试用户在不同法规条款间进行追溯和跳转时，模型是否能保持上下文连贯性，并准确回答后续问题。
- 编写测试用例，覆盖法规更新后知识库的更新情况，验证模型是否能基于最新有效信息进行回答，并对旧有、已废止的条款给出正确解释。
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。