这个品类的数据长什么样
实体瘤药物警戒的数据主要来源于临床试验报告、真实世界研究、不良事件报告系统（如国际医学科学组织理事会 CIOMS 报告）、医学文献以及药品说明书。这些数据更新频率不一，临床试验数据通常在试验结束后集中发布，真实世界数据则可能持续收集并定期更新。文档结构多样，包括结构化的病例报告表（CRF）、半结构化的医学叙事文本、以及非结构化的自由文本报告。核心字段包括患者人口统计学信息、诊断信息、用药史、不良事件描述（MedDRA 编码）、事件发生时间、严重程度、结局、与药物的相关性评估结果。单位则涉及剂量（mg、g）、频率（次/日）、持续时间（天、周、月）等。
这些特征在「多轮对话与提示词」这一环带来什么约束
实体瘤药物警戒数据的多源性和异构性，使得多轮对话在信息整合时面临挑战。非结构化文本报告中存在大量医学术语、缩写以及口语化描述，需要强大的语义理解能力。数据更新的非实时性，要求模型能够处理历史数据并识别信息时效性。不良事件的严重程度和相关性评估，往往涉及复杂的多维度判断，提示词设计必须引导模型进行逻辑推理。此外，不同来源数据的字段命名和单位可能不一致，需要在预处理阶段进行标准化，避免在对话中出现歧义。多轮对话需要追踪上下文，确保对同一患者或同一药物的不良事件进行连贯的追问与汇总。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8 | 确保在多轮追问不良事件细节时，能覆盖关键的 4-6 轮对话历史。 |
分段长度 | 500–800 字符 | 适应医学报告中长句和详细描述，同时避免单个分段过长影响召回效率。 |
召回条数 | 15–20 条 | 考虑到不良事件报告可能涉及多个相关因素，增加召回量以提高覆盖面。 |
相似度阈值 | 0.75–0.85 | 平衡召回精确度与召回率，避免无关信息干扰，同时不错过潜在相关报告。 |
重排返回条数 | 5 条 | 在召回基础上精选最相关的核心信息，以减少模型处理负担并聚焦关键点。 |
PARSE_FILE_TIMEOUT_SECONDS | 300 秒 | 多数实体瘤临床报告文件较大，需要充足时间完成解析，避免上传失败。 |
容易做错的三处
- 对话输出中缺失关键字段信息：原因是没有在提示词中明确指示模型提取并展示特定字段，模型只进行了泛泛的回答。
- 多轮对话后，模型对不良事件的严重程度或相关性评估前后不一致：原因在于上下文管理不当，模型在后续轮次中遗忘了前几轮的判断依据。
- 上传大型医学报告文件后，系统长时间无响应或报错：原因通常是
PARSE_FILE_TIMEOUT_SECONDS或UPLOAD_FILE_MAX_SIZE参数设置过低，导致文件解析或上传超时失败。
怎么确认配好了
- 针对不同类型实体瘤的典型不良事件，进行至少 5 轮的模拟对话，检查模型是否能准确识别不良事件名称、严重程度和相关药物。
- 随机抽取 10 份临床不良事件报告，通过知识库问答方式，验证模型是否能正确提取报告中的核心信息，并与原始报告进行比对，误差率应低于预设阈值。
- 上传一份包含复杂医学术语和缩写的自由文本报告，测试模型能否在多轮对话中正确解释这些术语，并保持语义一致性。
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。