抗体偶联药物 ADC质量文档的多轮对话与提示词

这个品类的数据长什么样

抗体偶联药物（ADC）的质量文档涉及从研发、生产到质控的全生命周期数据。其数据源多样，包括但不限于批生产记录（BPR）、批检验记录（BLR）、稳定性研究报告、分析方法验证报告、原辅料放行标准、中间体控制标准以及成品质量标准。这些文档通常以 PDF、Word 或扫描件形式存在，更新频率受研发阶段、临床批次和商业化生产的影响，可能从每月一次到每季度一次不等。文档结构复杂，包含大量专业术语、图表、流程图和数据表格。关键字段包括抗体批号、偶联批号、药物偶联比（DAR）、纯度、含量、内毒素水平、稳定性数据以及各类质谱和色谱分析结果。单位涉及微克/毫升（µg/mL）、摩尔/摩尔（mol/mol）、百分比（%）等，并常伴有检测方法和仪器型号的详细说明。

这些特征在「多轮对话与提示词」这一环带来什么约束

ADC质量文档的复杂性对多轮对话与提示词的构建提出了特定要求。首先，文档中高密度、高特异性的专业术语和缩写（如 DAR、HPLC、MS）需要知识库具备强大的语义理解能力，避免因术语不识别导致的问题。其次，文档更新频率虽然不高，但每次更新可能涉及关键质量属性或检测标准的修订，这要求知识库的索引更新机制能及时捕获并反映这些变化。此外，文档中数据表格和图表的存在，意味着单纯的文本匹配不足以满足需求，需要RAG（检索增强生成）机制能有效解析结构化和半结构化数据。多轮对话中，用户可能从整体质量标准追溯到具体批次的稳定性数据，再深入到某个分析方法的验证细节，这要求系统能维持上下文连贯性，并根据用户意图进行多跳检索和信息整合。提示词的设计需引导模型在多个相关文档中进行交叉验证，以确保信息的准确性和完整性。

配置怎么定

配置项	建议取法	这样取的依据
`maxContext`	`8`	确保在多轮对话中能覆盖足够的历史信息，例如追溯前几轮关于批次或分析方法的讨论。
`分段长度`	`500–800 字符`	ADC文档段落通常较长，包含多个检测指标或实验步骤，此长度有助于保留段落完整语义。
`召回条数`	`前 8 条`	考虑到ADC文档的复杂性，增加召回条数能提高检索到相关关键数据点的概率，避免遗漏。
`相似度阈值`	`0.75`	ADC术语和描述具有高度特异性，较高的阈值能过滤掉语义不相关的段落，提升召回精准度。
`重排返回条数`	`前 4 条`	在召回基础上进行重排，进一步筛选出与用户当前问题最相关的核心信息，减少无关干扰。
`LLM_temperature`	`0.3`	质量文档问答要求高准确性和事实性，较低的温度值能使模型输出更聚焦于检索到的原文，减少幻觉。

容易做错的三处

回答内容与问题不符，例如询问批次号时却返回了检测方法。原因可能是知识库分段策略不当，导致语义关联性弱的段落被错误召回。
提示词中使用了全局变量，但在运行时出现 variable_not_found 错误。原因是没有在工作流中正确声明或初始化这些变量，或者变量命名与实际引用不一致。
AI对话节点返回 chat:LLM_model_response_empty 错误。原因可能是大模型调用超时或API返回空值，这在处理包含复杂表格或长文本的ADC文档时，模型处理压力大，偶发性出现。

怎么确认配好了

选取多个典型ADC质量问题（如特定批次DAR值、内毒素标准、稳定性考察周期），分别进行单轮和多轮对话测试，检查模型是否能准确提供对应数据和解释。
在测试对话中，故意引入ADC领域的专业缩写和术语，观察模型能否正确理解并给出相关信息，同时检查引用是否指向正确的原始文档段落。
模拟用户在不同文档类型之间切换提问的场景，例如从批生产记录转到分析方法验证报告，验证系统能否平滑过渡并保持上下文一致性。
检查日志中是否有 LLM_model_response_empty 或 variable_not_found 等报错，若有则需根据报错信息调整模型参数、提示词或工作流变量配置。

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。