这个品类的数据长什么样
DTP 药房在药物警戒领域的数据主要来源于患者用药后的反馈、药师的专业判断记录以及药品监管部门发布的安全性信息。这些数据以非结构化的文本形式为主，例如患者描述的症状、药师记录的随访内容、以及药品说明书中的不良反应列表。更新频率较高，患者反馈和药师记录几乎是实时生成，而监管部门信息则有固定的发布周期。文档结构多样，可能包含自由文本的患者日记、结构化的用药清单、以及半结构化的不良事件报告表。字段与单位方面，常见的有症状描述（如“头晕”、“恶心”）、用药剂量（如“每日 10mg”）、发生时间（如“服药后 2 小时”），以及不良反应严重程度的定性描述。
这些特征在「多轮对话与提示词」这一环带来什么约束
DTP 药房数据的高度非结构化和多样性，要求多轮对话系统具备强大的自然语言理解能力，以准确捕捉患者描述中的关键信息。快速更新的数据流意味着知识库需要高效的实时同步机制，以确保对话中引用的信息始终是最新的。文档结构的多样性对提示词设计提出了挑战，需要提示词能够适应不同格式的数据，并从中提取出药物名称、不良反应、用药剂量等核心实体。由于患者描述可能包含口语化表达和模糊信息，maxContext 的设置需要足够大，以便模型能回溯更长的对话历史，理解患者的真实意图。同时，不良反应的专业性和敏感性，要求提示词在生成回复时注重严谨性和安全性，避免误导性信息。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 4096 tokens | 适应DTP场景中患者反馈的口语化和信息密度，确保模型能理解较长对话历史。 |
召回条数 | 8 条 | 提升从非结构化知识库中提取相关不良反应信息的准确性与全面性。 |
相似度阈值 | 0.78 | 确保召回的知识片段与患者描述高度相关，过滤掉不相关或低价值信息。 |
分段长度 | 500 字符 | 平衡知识片段的完整性与模型处理效率，避免过长片段引入噪音。 |
重排返回条数 | 3 条 | 在初次召回的基础上进一步精选最相关的知识，减少模型处理负担。 |
temperature | 0.3 | 确保模型在生成回复时保持严谨和客观，减少幻觉和不确定性表达。 |
容易做错的三处
- 在多轮对话中，用户提到药品名称时，系统无法准确关联到知识库中该药品的详细不良反应信息。原因在于知识库索引颗粒度过粗，未能将药品名称与具体不良反应事件建立细粒度关联。
- 对话过程中，模型对患者描述的症状理解出现偏差，导致推荐的警示信息与实际情况不符。这通常是由于提示词中未充分强调对症状描述的实体识别和标准化处理。
- 在预览界面测试正常，但在实际使用中，部分患者反馈无法被有效处理，提示“请求负载过大”。这通常是由于
maxContext或UPLOAD_FILE_MAX_SIZE等参数在生产环境中设置过低，未能承载高并发或长文本输入。
怎么确认配好了
- 选取典型患者用药反馈案例，在 FastGPT 应用中进行多轮对话测试，观察模型能否准确识别药物名称、不良反应及用药细节。
- 模拟不同严重程度的不良反应报告场景，检验系统是否能召回并整合相关联的药品警示信息，并生成专业的风险提示。
- 检查日志输出，确认
召回条数和重排返回条数在实际对话中是否按预期生效，且没有出现因上下文长度限制导致的截断。
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。