这个品类的数据长什么样
眼科药物警戒数据主要来源于国家药品不良反应监测中心、医疗机构的电子病历系统、患者自发报告平台以及国际药物警戒数据库。数据更新频率较高，尤其是在新药上市初期，监测报告会密集涌入。文档结构呈现多样性，包括标准化报告（如 CIOMS I 表格）、非结构化文本（如医生手写病程记录、患者描述）、影像学报告（如眼底照片、OCT 图像）和实验室检查结果。字段涉及患者基本信息、用药史、不良反应事件描述、诊断、治疗措施、预后等。特别之处在于，眼科不良反应常涉及视力、眼压、视野等具体量化指标，单位包括 mmHg（眼压）、Snellen 视力表或 LogMAR 视力、度（视野缺损范围）等，且对不良反应发生部位（如视网膜、角膜、晶状体）有精细区分。
这些特征在「工作流编排」这一环带来什么约束
眼科药物警戒数据的多源性和非结构化特征，要求工作流编排具备强大的数据解析能力。例如，处理眼科电子病历中的自由文本，需要自然语言处理（NLP）模块识别视力变化、眼压升高、视野缺损等关键信息，并将其结构化。高频数据更新要求工作流能够支持实时或近实时的增量处理，避免数据积压。量化指标的存在，使得不良反应的严重程度和关联性评估需要引入数值比较和阈值判断。此外，影像学和实验室报告的整合，意味着工作流需能处理多模态数据，并将其与文本数据关联。这些约束决定了工作流在数据摄入、信息抽取、知识库检索、AI 对话和结果输出等环节需要精细化配置。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 3000–4000 字符 | 眼科不良反应报告常包含详细病史和检查结果，需要较大上下文窗口捕获完整信息。 |
知识库检索模式 | 向量检索 + 全文检索 | 兼顾语义相似性和关键词匹配，尤其适用于检索特定眼部疾病或药物副作用。 |
召回条数 | 前 8–12 条 | 保证充分召回与眼科不良事件相关的知识碎片，避免遗漏关键信息。 |
相似度阈值 | 0.75–0.85 | 平衡检索结果的精准度与召回率，过滤掉不相关的眼科医学术语或报告片段。 |
全局变量 | 知识库 ID | 动态切换不同眼科药物或疾病领域的专业知识库，以适应特定报告分析需求。 |
AI对话文件链接 | 启用 | 允许 AI 直接访问原始报告文件（如 PDF 病历、影像报告），提高信息获取效率。 |
容易做错的三处
- 工作流处理大量非结构化眼科病历文本时，部分关键信息如眼压具体数值未被正确抽取，导致不良反应严重性评估不准确。原因在于 NLP 模块的实体识别规则未针对眼科特有词汇和数值单位进行优化。
- 在检索相似不良反应案例时，结果返回数量过少或相关性差，无法有效辅助判断。原因在于知识库的分段长度设置过长或过短，影响了向量检索的精度和召回率。
- AI 对话模块在处理用户关于特定眼科药物不良反应的提问时，未能准确引用相应的知识库内容，而是给出通用性回答。原因在于全局变量未正确配置为动态选择对应药物的知识库 ID。
怎么确认配好了
- 选择一份包含多种眼科不良反应类型和详细量化指标的测试报告，运行工作流，检查输出结果中所有关键信息（如视力、眼压、不良反应部位）是否被准确抽取。
- 模拟用户提问，要求 AI 回答关于某种眼科药物的特定不良反应及其处理方案，检查 AI 是否能引用到该药物知识库中的准确信息，并验证引用的知识片段与原始报告内容的一致性。
- 检查工作流日志，确认在处理高并发或大数据量时，数据摄入、知识库检索和 AI 推理环节没有出现超时或错误告警，并观察处理耗时是否在可接受范围内。
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。