罕见病药物警戒的工作流编排

这个品类的数据长什么样

罕见病药物警戒的数据来源多样，包括全球药品监管机构的不良事件报告系统（如 FDA Adverse Event Reporting System, FAERS）、医学文献、临床试验数据、患者注册登记系统以及社交媒体。数据更新频率不一，监管机构报告通常按季度或年度发布，而医学文献和临床试验数据则持续产生。文档结构复杂，常包含非结构化文本描述、半结构化医学术语（如 MedDRA 编码）和结构化患者基本信息。字段涵盖患者人口统计学、用药史、不良事件描述、事件结局、诊断信息等。报告常涉及多种语言，且缺乏统一的单位标准，例如剂量可能以毫克、微克或国际单位表示，时间单位也可能在小时、天、月之间混用。

这些特征在「工作流编排」这一环带来什么约束

罕见病数据更新的不规律性要求工作流具备灵活的触发机制，能够适应周期性拉取与实时事件驱动相结合的模式。多源异构的数据结构，特别是大量的非结构化文本，使得数据预处理环节对自然语言处理（NLP）能力要求极高，需要高效的实体识别、关系抽取和事件分类模型。缺乏统一单位标准则要求工作流在数据清洗阶段集成单位转换模块，确保数值型字段的可比性。此外，由于罕见病患者数量稀少，不良事件报告数量相对较少，工作流设计时需考虑小样本学习场景下的模型鲁棒性，以及如何有效利用知识图谱等外部知识进行辅助判断。多语言报告的存在也对文本处理模块的语言识别与翻译能力提出了要求，确保信息的完整性与准确性。

配置怎么定

配置项	建议取法	这样取的依据
`maxContext`	`2000–3000 tokens`	罕见病不良事件报告常包含详细的病史和事件描述，需要较长的上下文窗口以捕获关键信息。
`分段长度`	`500 字符`	针对非结构化文本，适中分段长度有助于保持语义完整性，避免关键信息被截断。
`召回条数`	`前 10 条`	罕见病知识库条目可能较少，增加召回条数可以提高相关信息的覆盖率。
`相似度阈值`	`0.78`	罕见病症状和不良反应描述可能存在细微差异，较高的阈值有助于精准匹配，避免无关信息干扰。
`重排返回条数`	`前 5 条`	在召回的基础上进行重排，聚焦最相关的少量条目，提高大模型处理效率。
`PARSE_FILE_TIMEOUT_SECONDS`	`600 秒`	罕见病报告文档可能包含复杂表格或长篇描述，预留充足时间进行解析，防止超时。

容易做错的三处

大模型在处理不良事件报告时出现幻觉，回复内容与知识库引用事实不符。原因是工作流中缺乏对大模型生成内容的事实核查机制，未将知识库引用的原文片段与模型输出进行比对验证。
某些特定药物剂量或实验室指标未被正确识别或转换，导致后续分析结果偏差。原因是数据预处理环节的单位标准化模块未能覆盖所有罕见病特定或非标准化的计量单位。
工作流执行超时或处理失败，日志显示文件解析错误。原因是处理的 PDF 文档包含扫描图片或复杂图表，默认的文本提取器无法有效解析这些非文本内容。

怎么确认配好了

选取一批包含典型不良事件报告的测试集，运行工作流并检查最终输出中关键实体（如药物、不良事件、剂量）的识别准确率，确保达到预设的最低准确率阈值。
验证工作流的单位转换功能，输入带有不同单位的剂量或时间数据，检查输出是否已统一为标准单位，并与人工核对结果进行比对，确认转换无误。
检查知识库引用核查机制的有效性，提交一个已知会产生幻觉的问题，观察大模型是否能识别出不合理引用并将其标记或修正，核对标记出的不合理引用与实际知识库原文。

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。