这个品类的数据长什么样
零售连锁药店的药物警戒数据主要来源于药店系统记录、顾客用药反馈、执业药师上报以及药品供应商提供的产品信息。数据更新频率较高，日常销售数据与用药反馈实时产生，药品说明书、禁忌症等信息通常随批次更新或由药监部门定期发布。文档结构多样，包括结构化的销售记录、非结构化的顾客口述记录、半结构化的不良反应报告表以及标准化的药品说明书。字段与单位具有行业特色，例如药品批号 lot_number、有效期 expiry_date、用药剂量 dosage_unit（如毫克、片）、给药途径 administration_route，以及不良反应事件描述 adverse_event_description 等自由文本字段。
这些特征在「多轮对话与提示词」这一环带来什么约束
零售连锁药店数据的高更新频率与多源性，对多轮对话系统的知识库实时性提出高要求，需要确保对话中引用的药品信息与警戒数据是最新版本。文档结构的复杂性，特别是大量自由文本和半结构化报告的存在，使得精确抽取关键信息成为挑战，影响对话理解与回复的准确性。药品批号、有效期等字段的严格性，要求对话系统在查询时能准确匹配，避免因细微差异导致误判。同时，顾客用药反馈的口语化、非标准化描述，对提示词的鲁棒性（robustness）和语义理解能力构成考验，需要系统能从模糊描述中识别潜在的不良反应信号。这要求提示词设计时，需兼顾标准化查询与自然语言理解的平衡。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 8 | 确保在多轮对话中，可以覆盖典型的用药咨询与不良反应报告流程，避免上下文丢失导致重复提问。 |
分段长度 | 500-800 字符 | 平衡了文本语义完整性与召回效率，适应药品说明书、不良反应报告等文档的段落长度。 |
召回条数 | 7-10 条 | 考虑到药物警戒数据的专业性与关联性，增加召回条数有助于覆盖更多潜在相关知识点。 |
相似度阈值 | 0.78-0.85 | 降低误召回率，尤其是在处理药品名称、症状描述等相似性较高的文本时，确保召回结果的精准度。 |
重排返回条数 | 3-5 条 | 在初次召回的基础上进行二次筛选，聚焦最相关的信息，提升对话回复的准确性和相关性。 |
ENABLE_STREAM_OUTPUT | True | 提升用户体验，尤其是在查询复杂药品信息或不良反应报告时，用户可以实时看到回复进展。 |
容易做错的三处
- 对话中出现“找不到相关药品信息”或“无法理解症状描述”的回复，原因在于知识库中自由文本的预处理不足，未能有效抽取和索引关键实体。
- 用户多次追问同一药品的不同批次或剂型，系统却无法区分并给出精确答案，现象是返回通用信息或重复信息，原因是知识库中缺乏对药品批次、剂型等细粒度属性的有效区分和检索机制。
- 在用户描述不良反应时，系统回复与上下文不符，或者给出非针对性建议，原因可能是
maxContext设置过低，导致对话历史被截断，无法维持完整的语义链条。
怎么确认配好了
- 选取涵盖多种药品、不同批次以及典型不良反应场景的测试用例集，执行多轮对话测试，验证系统能否准确识别药品、症状并给出相关信息。
- 随机抽取知识库中的药品说明书和不良反应报告，模拟用户提问，检查系统召回的知识片段是否完整、准确，并与原始文档进行比对，确认
相似度阈值和召回条数的有效性。 - 观察系统在处理自由文本形式的顾客反馈时，是否能从口语化描述中提取关键信息，并生成逻辑清晰、专业性强的回复，以此评估提示词对自然语言的理解能力。
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。