这个品类的数据长什么样
剂量调整相关数据主要来源于药品说明书、临床指南、药典、以及药学专业数据库。这些数据通常以结构化或半结构化的文本形式存在，更新频率相对较低，通常随药品说明书修订或新指南发布而更新。文档结构以章节式为主，包含适应症、禁忌症、用法用量、特殊人群用药（如肝肾功能不全、老年人、儿童）等。关键字段包括药物名称、适应症、患者特征（如年龄、体重、肝肾功能指标）、剂量、给药频率、给药途径、最大剂量、调整依据等。单位涉及毫克（mg）、克（g）、毫升（ml）、次/日、mg/kg等，且往往存在多种单位并存或换算关系。
这些特征在「多轮对话与提示词」这一环带来什么约束
剂量调整数据的半结构化特性要求在数据预处理阶段进行细致的实体识别和关系抽取，才能有效支持后续问答。更新频率低意味着知识库构建后，维护成本相对可控，但需关注版本管理。多样的患者特征和复杂的调整依据决定了多轮对话中，系统需要主动追问关键信息以确保推荐的准确性。例如，当用户咨询某药物剂量时，系统需要识别并询问患者的肝肾功能状况、年龄等。字段与单位的复杂性要求提示词设计时，需明确指示模型在生成回复时统一单位表达，并对数值进行精确计算，避免模糊或错误的量化信息。此外，多轮对话中对历史信息的依赖性强，需要长上下文窗口来维持对话连贯性。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8192 或 16384 token | 剂量调整问题往往涉及多轮对话，需要较长的上下文窗口来承载患者病史、用药史以及多条追问与回答，以确保逻辑连贯性和准确性。 |
temperature | 0.1 – 0.3 | 剂量调整是严谨的医学问题，回复需要高度准确和事实性，低 temperature 有助于减少模型自由发挥，保持回答的客观性。 |
top_p | 0.1 – 0.3 | 与 temperature 类似，top_p 限制了模型在生成下一个词时的选择范围，进一步确保输出的确定性和专业性。 |
recall_threshold | 0.75 – 0.85 | 确保召回的知识片段与用户提问高度相关，避免引入不准确或无关的剂量调整信息，影响专业判断。 |
分段长度 | 500 – 800 字符 | 剂量调整的知识点通常包含较多细节，分段长度适中可以有效保留知识的完整性，同时避免单个分段过长稀释核心信息。 |
重排返回条数 | 5 – 8 条 | 在召回的基础上，通过重排进一步筛选出最相关的多条知识，为模型提供更丰富的上下文，提高最终回复的质量。 |
容易做错的三处
- 模型回复中剂量单位不统一或出现换算错误，原因在于提示词中未明确要求统一单位或模型对单位转换的理解不足。
- 对话中模型未能主动追问关键的患者生理指标（如肌酐清除率），导致给出的剂量建议不完整，原因在于提示词中未充分强调剂量调整的决策树或未有效利用知识库中的条件判断信息。
- 知识库迁移后，模型提示知识库为空或无法查询到内容，现象为对话结果显示
KnowledgeBase is empty，原因通常是知识库索引重建失败或文件解析过程中出现错误，导致文档内容未能正确导入。
怎么确认配好了
- 针对多种典型剂量调整场景进行测试，检查模型是否能根据患者特征主动追问关键信息，并给出完整且单位统一的剂量建议。
- 核对模型回复中给出的剂量值与知识库中对应文档的原始数据，确保数值准确无误。
- 模拟肝肾功能不全、老年患者等特殊人群的用药咨询，验证模型是否能正确识别并应用相应的剂量调整规则。
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。