这个品类的数据长什么样
CAR-T 细胞治疗领域的研发文档数据源包括临床试验报告、专利文献、学术论文、内部实验记录和监管申报材料。这些文档多以 PDF、Word 或结构化数据库的形式存在。数据更新频率较高，特别是临床试验进展和新药申报信息。文档结构复杂，包含大量专业术语、缩写、基因序列、蛋白质结构、细胞株信息、临床指标和剂量单位。例如，细胞株名称可能包含特殊字符和数字组合，临床试验数据涉及患者队列、不良事件发生率、疗效评估指标（如完全缓解率 CR、部分缓解率 PR），以及浓度单位（nM、µg/mL）和时间单位（天、周、月）。
这些特征在「多轮对话与提示词」这一环带来什么约束
CAR-T 细胞治疗文档的复杂性和专业性对多轮对话与提示词设计提出了具体要求。专业术语和缩写的使用，要求提示词能够引导模型对上下文进行精确理解和消歧。例如，一个缩写在不同语境下可能代表不同的生物学实体或临床指标。高更新频率的数据，意味着对话系统需能够及时索引并引用最新信息，避免提供过时内容。文档中包含的基因序列和蛋白质结构等特定模态数据，需要模型具备识别和处理这些非文本信息的潜力，并能在对话中准确呈现。此外，临床试验数据中的数值和单位，要求模型在结构化解析后能进行准确的数值比较和单位转换，避免因单位混淆导致错误解读。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 6 轮 | 兼顾上下文连贯性与计算资源消耗，覆盖典型分析流程。 |
分段长度 | 800 字符 | 适应复杂生物医药文本的段落长度，保证语义完整性。 |
召回条数 | 10 条 | 增加相关信息覆盖面，提高在专业文档中找到关键细节的概率。 |
相似度阈值 | 0.75 | 精确匹配高度专业化的术语和概念，减少无关信息干扰。 |
重排返回条数 | 5 条 | 进一步聚焦最相关的文档片段，优化模型处理效率。 |
temperature | 0.3 | 确保模型输出的严谨性和准确性，降低幻觉风险。 |
容易做错的三处
- 对话中出现大量专业术语或缩写，模型无法正确理解其在当前语境下的含义，导致回答偏离主题或出现事实性错误，原因在于提示词未明确要求模型对专业术语进行上下文消歧。
- 模型在多轮对话中引用了过时的临床试验数据或药物信息，导致分析结论不准确，原因在于知识库索引更新机制未能及时同步最新研发进展。
- 在涉及数值比较或单位转换的问答中，模型给出的结果与实际数据不符或单位错误，原因在于文档结构化解析时未能准确提取和标准化数值及其单位信息。
怎么确认配好了
- 针对核心专业术语和缩写，构建包含不同上下文的测试问题集，检查模型能否在多轮对话中持续正确理解并引用。
- 定期向系统提问关于最新临床试验进展或药物申报状态的问题，验证模型是否能引用最新的知识库内容，并核对信息发布日期与模型引用时间。
- 设计包含数值比较和单位转换的查询场景，例如“比较两种 CAR-T 产品在 CR 率上的差异”或“将某个浓度从 nM 转换为 µg/mL”，核对模型给出的数值和单位是否准确。
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。