这个品类的数据长什么样
CAR-T 细胞治疗的质量文档涵盖了从细胞采集、基因修饰、体外扩增、制剂生产到质检放行等全生命周期的详细记录。这些文档通常以 PDF、Word、Excel 等格式存在，包含标准操作规程（SOP）、批生产记录（BPR）、批检验记录（BJR）、设备校准记录、偏差处理、变更控制、风险评估报告等。数据来源广泛，涉及多个部门和仪器设备。文档更新频率较高，特别是SOP和批记录，会随着工艺优化、法规更新或偏差处理而修订。文档结构复杂，包含大量表格、图表、流程图以及专业术语。字段与单位具有高度特异性，例如细胞计数（×10^6 cells/mL）、病毒载量（TU/mL）、转导效率（%）、纯度（%）、活力（%）等，对数值精度和单位一致性要求严格。
这些特征在「多轮对话与提示词」这一环带来什么约束
CAR-T 细胞治疗质量文档的数据特性对多轮对话与提示词设计提出了具体约束。文档内容的高度专业性与复杂表格、图表的存在，要求RAG模型能够有效解析非文本信息，并在多轮对话中保持对专业术语的准确理解，避免语义漂移。频繁的文档更新意味着知识库需要支持高效的增量更新与版本管理，确保对话基于最新版本的数据。批记录和检验记录中涉及的大量数值型数据和严格的单位要求，使得提示词设计必须引导模型关注数值的准确性与单位的匹配，例如查询特定批次产品的特定质控指标值时，模型需能精确提取并展示。此外，多轮对话中对历史上下文的依赖性更强，例如用户可能先询问一个SOP，再基于该SOP询问某个具体步骤的执行记录，要求系统具备更强的上下文关联能力。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 800–1200 字符 | 兼顾CAR-T文档的专业术语密集和段落间逻辑关联性，避免切分破坏语义完整性。 |
召回条数 | 前 8–12 条 | CAR-T文档的复杂性导致单个查询可能涉及多个相关段落，增加召回量以提高覆盖率。 |
相似度阈值 | 0.78–0.85 | 确保召回的文档片段与查询意图高度相关，过滤掉大量医学背景噪声。 |
重排返回条数 | 前 5 条 | 在高召回量基础上，通过重排进一步提升最相关信息的排名，优化对话质量。 |
maxContext | 6000–8000 tokens | 适应多轮对话中积累的专业术语和上下文信息，避免过早截断。 |
embeddingModel | text-embedding-ada-002 或更高版本 | 处理CAR-T领域专业词汇和复杂概念，提高向量化精度。 |
容易做错的三处
- 对话中出现大量专业术语的误解或混淆，例如将“转导效率”与“扩增倍数”混淆，原因是切片粒度过小或embedding模型对领域词汇的理解不足。
- 用户询问某个批次产品的特定检测结果时，模型返回了其他批次的数据或缺失了关键数值，原因在于文档解析未能准确提取表格中的行与列关联信息。
- 长时间的多轮对话后，模型开始“遗忘”早期对话内容，导致回复偏离主题或重复提问，原因是
maxContext设置过小，无法承载完整的对话历史。
怎么确认配好了
- 针对不同类型的CAR-T质量文档（SOP、批记录、质检报告）构建测试集，测试模型对关键信息（如特定质控参数值、操作步骤细节）的提取准确性，并与人工核对结果进行比较。
- 模拟多轮对话场景，例如先询问一个SOP的名称，再追问该SOP中某个特定设备的校准频率，检查模型能否准确关联上下文并给出连贯且正确的回答。
- 随机抽取包含表格和图表的文档，测试模型能否在对话中正确解析并引用其中数据，例如询问某个批次的病毒载量，检查返回的数值与单位是否与原文一致。
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。