这个品类的数据长什么样
CAR-T 细胞治疗的药物警戒数据主要来源于临床试验报告、真实世界研究（RWE）、个例报告（ICSR）以及监管机构的数据库。这些数据更新频率较高，尤其是在新产品上市初期，可能每周甚至每天都有新的不良事件报告。文档结构多样，包括非结构化的自由文本描述、半结构化的表格数据（如 MedDRA 编码的不良事件、实验室检查结果）以及结构化的患者基本信息、用药史等。字段方面，除了常见的不良反应术语（如 CRS、ICANS 等级）、发生时间、持续时间、严重程度等，还包含 CAR-T 产品批次号、输注剂量、靶点、共刺激分子、细胞因子水平（如 IL-6、CRP）、神经毒性量表评分（如 ICE 评分）等特有字段。单位则涉及剂量（如 10^6 cells/kg）、时间（天、小时）、细胞因子浓度（pg/mL）等。
这些特征在「多轮对话与提示词」这一环带来什么约束
CAR-T 细胞治疗数据的高更新频率要求多轮对话系统能够快速集成最新信息，以避免基于过时数据给出不准确的响应。文档结构的多样性，特别是大量非结构化文本的存在，使得提示词设计需要兼顾信息抽取和语义理解，确保从自由文本中准确识别关键不良事件和相关细节。特有字段的存在，例如 CAR-T 产品批次和细胞因子水平，意味着提示词需要明确引导用户提供这些信息，并能将其与标准不良反应术语关联起来进行分析。此外，特定领域术语（如 CRS、ICANS）和量表评分（如 ICE 评分）的使用，要求模型具备专业的医学知识，以正确解释用户输入的专业词汇，并在多轮对话中保持对这些概念的准确理解和追踪。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8 | 确保在多轮对话中能够保留足够的上下文，覆盖患者诊疗过程中的关键信息和不良反应进展。 |
temperature | 0.3 | 降低模型生成回复的随机性，确保在药物警戒场景下提供稳定、客观且基于事实的回答，避免幻觉。 |
分段长度 | 500 字符 | 适应临床报告和个例报告中常见的中等长度描述，保证语义完整性，避免关键信息被截断。 |
召回条数 | 10 | 在面对复杂查询时，增加召回条数能够提升从海量药物警戒数据中获取相关不良反应报告的可能性。 |
相似度阈值 | 0.75 | CAR-T 治疗不良反应的描述可能存在细微差异，提高阈值有助于过滤掉不相关的召回结果，提升精确度。 |
重排返回条数 | 5 | 在召回较多条目后，通过重排功能，将最相关的少量条目置于前端，提高回复的效率和准确性。 |
容易做错的三处
- 多轮对话中，模型无法准确识别用户提到的特定不良事件等级，例如“3级CRS”，导致回复泛泛而谈。原因在于提示词未能明确引导模型关注并解析不良事件的严重程度和具体类型。
- 用户上传的临床试验报告文件，在对话中无法被有效引用或分析，提示文件内容为空。原因在于文件处理流程中，
PARSE_FILE_TIMEOUT_SECONDS参数设置过低，导致对大型或复杂文档的解析超时。 - 在关于某 CAR-T 产品批次不良反应的追问中，模型无法关联到该批次的历史数据，回复“未找到相关信息”。原因在于知识库构建时，批次号等关键标识符未能被有效抽取并作为可查询的元数据。
怎么确认配好了
- 针对典型的 CAR-T 细胞治疗不良反应场景，构建一组包含多轮追问的测试用例，观察模型能否准确识别并关联上下文信息。
- 上传包含复杂自由文本描述的真实不良事件报告，测试模型能否从中准确抽取关键不良事件、发生时间、严重程度等信息。
- 通过 API 接口，模拟用户查询特定 CAR-T 产品批次的不良反应数据，核对返回结果是否包含该批次特有的不良事件记录。
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。