这个品类的数据长什么样
智能导诊在药物警戒领域的数据主要来源于药品说明书、不良反应报告（如 CIOMS I 表格）、医学文献、临床试验数据以及药物上市后监测数据库。这些数据更新频率较高，特别是新药上市后不良反应的持续监测。文档结构通常包含标准化字段，例如患者基本信息、药品名称、剂量、用法、不良反应事件描述（MedDRA 编码）、事件发生时间、转归等。字段常涉及医学术语和专业缩写，单位则涵盖剂量单位（mg、g、IU）、时间单位（天、小时）、频率单位（次/日）等。
这些特征在「多轮对话与提示词」这一环带来什么约束
药物警戒数据的专业性和时效性对多轮对话的准确性提出了高要求。医学术语的精确匹配和上下文理解是关键，错误或模糊的理解可能导致严重的医疗风险。频繁的数据更新要求模型能够快速吸收新知识，并避免提供过时的信息。复杂的文档结构和多样的字段类型，使得在提示词设计时需要明确指引模型从特定字段中提取信息，并进行逻辑推理。此外，不良反应报告中的自由文本描述，对多轮对话的语义理解和归纳能力构成挑战，需要模型能够识别和提取关键的症状、体征和用药史。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8 | 保留足够的上下文以理解多轮对话中复杂的医学逻辑和患者病情演变。 |
分段长度 | 500 字符 | 适应医学文献和报告中较长的描述性文本，确保语义完整性。 |
召回条数 | 10 条 | 提高从知识库中检索相关不良反应信息和用药指南的覆盖率。 |
相似度阈值 | 0.75 | 确保召回的知识片段与患者提问高度相关，避免引入无关信息。 |
重排返回条数 | 3 条 | 优化最终呈现给用户的知识片段，聚焦最核心的诊断或建议依据。 |
System Prompt | 指导模型侧重不良反应识别、风险评估，并以严谨的医学语言回复。 | 确保对话始终围绕药物警戒的核心目标，并保持专业性和安全性。 |
容易做错的三处
- 现象： 对话中提及特定药物，模型未能正确识别其已知不良反应。 原因： 知识库中药物信息更新不及时，或者提示词未有效引导模型检索最新药品说明书。
- 现象： 用户描述症状，模型回复中出现与症状不相关的医学术语或诊断建议。 原因：
相似度阈值设置过低，导致召回了不精确的知识片段，或模型对上下文的理解不足。 - 现象： 对话中包含 LaTeX 格式的医学公式或专业符号，但在前端显示为原始代码。 原因： 应用前端未集成 LaTeX 渲染库，导致无法正确解析和显示复杂的数学或化学表达式。
怎么确认配好了
- 输入包含新上市药物不良反应的咨询，核对模型回复是否引用了最新的药品警戒信息。
- 模拟多轮对话，逐步深入询问一个复杂病例，检查模型能否持续理解上下文并提供连贯的医学建议。
- 测试包含MedDRA编码或ATC分类的查询，核对模型能否准确识别并关联到相关药物或不良事件。
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。