这个品类的数据长什么样
药物警戒数据主要来源于临床试验报告、真实世界研究（RWE）、上市后监测系统（如 FDA Adverse Event Reporting System, FAERS；欧洲药品管理局 EudraVigilance）、医学文献以及患者自发报告。这些数据通常以结构化（如数据库记录，包含患者人口统计学信息、药品信息、不良事件编码、事件发生和结局时间等）和非结构化（如自由文本描述的病例报告、医学笔记、邮件沟通记录）混合形式存在。更新频率高，尤其是在新药上市初期和关键监测期，数据量增长迅速。文档多为病例报告表（CRF）、医学综述、监管提交文件等，包含大量专业术语、缩写和特定编码系统（如 MedDRA 编码，WHO-ART 编码）。字段类型多样，既有定性描述（不良事件名称、严重程度），也有定量指标（剂量、频率、实验室检查结果），单位需严格统一以避免混淆。
这些特征在「多轮对话与提示词」这一环带来什么约束
药物警戒数据的多源性和复杂性，要求多轮对话系统具备高度的语义理解能力和上下文管理能力。MedDRA 等专业编码系统带来的术语特异性，使得提示词设计必须精准，以避免模型对不良事件描述的误解或泛化。数据更新频率高，意味着知识库需要频繁同步，确保多轮对话基于最新信息。非结构化数据中的自由文本描述，要求模型能够从冗长且专业性强的文本中抽取出关键信息，并将其整合到结构化查询中。多轮对话需要处理用户提出的不同粒度问题，例如从宏观的药品风险概览到微观的单个病例细节，这要求提示词在引导模型时能够灵活调整关注点。此外，多轮对话还需能识别并纠正用户可能存在的医学知识偏差，这在提示词设计中需要考虑进错误纠正机制。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 2000 tokens | 药物警戒对话中，保留足够上下文以理解复杂病例和多轮追问的逻辑关系。 |
temperature | 0.3 | 确保模型输出的准确性和一致性，避免在专业性强的药物警戒领域产生幻觉。 |
召回条数 | 10 | 从知识库中召回足够多的相关不良事件报告或药物信息，增加信息覆盖度。 |
相似度阈值 | 0.78 | 平衡召回结果的相关性和数量，过滤掉低相关度的信息，聚焦核心问题。 |
分段长度 | 500 字符 | 适应病例报告中长篇描述的特点，保证每个分段包含完整语义，减少信息截断。 |
重排返回条数 | 5 | 在召回结果中精选最相关的条目，优先呈现给用户，提高信息获取效率。 |
容易做错的三处
- 模型在识别具体不良事件时出现偏差，例如将“肝功能异常”错误地泛化为“消化系统问题”；原因在于提示词对专业医学术语的约束不足，或训练数据中相关案例的覆盖不充分。
- 多轮对话中，用户追问某一不良事件的详细信息时，模型无法定位到初始轮次提到的特定病例；原因在于
maxContext设置过小，导致模型丢失了早期对话轮次的上下文。 - 用户输入药品名称和不良事件，但系统返回“未找到相关信息”；原因可能是知识库更新不及时，或者在分词和索引阶段未能正确处理药品名称的别名或拼写变体。
怎么确认配好了
- 输入一系列包含常见不良事件的病例描述，检查模型输出是否准确识别并分类了不良事件，并与预设的 MedDRA 编码进行比对，确认编码一致性阈值。
- 进行多轮对话测试，从药品风险概览开始，逐步深入到特定不良事件的细节追问，检查模型是否能保持上下文连贯性，并根据追问提供相关信息。
- 使用不同拼写、缩写或同义词的药品名称和不良事件术语进行查询，确认系统能正确匹配到知识库中的相关条目，并检查召回结果的相关度评分分布。
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。