这个品类的数据长什么样
小分子化药的制度数据主要来源于药监部门发布的法规文件、药企内部的质量管理体系文件（如 GMP、GCP、GLP 相关 SOP）、研发与生产记录以及临床试验方案。这些文档通常以 PDF、Word、或扫描件的形式存在，更新频率相对稳定，法规文件可能每年修订，企业内部 SOP 则根据实际业务需求和法规变化进行不定期更新。文档结构严谨，通常包含章节、条款、附件等标准化格式。数据字段涉及药物名称、批号、生产工艺、质量标准、检验方法、储存条件、有效期、不良反应、操作步骤等，单位则涵盖 mg、mL、℃、psi 等行业特定计量单位。
这些特征在「多轮对话与提示词」这一环带来什么约束
小分子化药制度文档的严谨性与标准化结构，要求多轮对话系统在理解用户查询时，能够精确识别术语和上下文。例如，对批号、有效期等字段的查询，需要系统能准确从文档中提取对应数值，并结合单位进行解释。多轮对话中，用户可能会追问某个操作步骤的细节或特定质量标准的依据，这要求系统不仅能召回相关条款，还能在后续对话中保持对主题的聚焦。文档更新的周期性意味着知识库需要定期同步最新版本，以确保回答的时效性与准确性。此外，由于涉及专业术语和计量单位，提示词的设计需引导模型关注这些关键信息，避免泛泛而谈或误读。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8 | 确保上下文能够覆盖多轮对话中的关键信息，避免遗忘前文。 |
分段长度 | 500 字符 | 平衡文本块的完整性与召回效率，适应制度文档的段落结构。 |
召回条数 | 前 5 条 | 提高召回的相关性，减少无关信息对模型推理的干扰。 |
相似度阈值 | 0.75 | 筛选出与查询高度相关的文本段落，保证回答的准确性。 |
重排返回条数 | 3 | 进一步精炼召回结果，提升模型处理效率，聚焦核心信息。 |
temperature | 0.1 | 降低模型回复的随机性，确保回答的严谨性和事实准确性。 |
容易做错的三处
- 回复格式不符合预期，例如未返回 JSON Schema 定义的结构。原因是提示词中对输出格式的约束不够明确或模型未严格遵循指令。
- 多轮对话后，系统突然“失忆”，无法关联到之前的对话内容。原因可能是
maxContext设置过小，导致历史对话被截断。 - 用户提问特定操作步骤时，系统回复过于笼统或引用了不相关的条款。原因是知识库分段策略未能有效保留操作步骤的完整上下文，或者召回结果的粒度过大。
怎么确认配好了
- 针对典型的小分子化药制度查询，进行多轮对话测试，检查回复内容是否准确、完整且符合逻辑。
- 随机抽取制度文档中的关键术语或操作步骤，验证系统能否准确召回相关条款，并对其进行正确解释。
- 模拟用户提出模糊或带有歧义的问题，观察系统是否能通过多轮追问来澄清意图，并最终给出有效回答。
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。