这个品类的数据长什么样
眼科质量文档主要包括临床试验方案、研究者手册、不良事件报告、SOP（标准操作规程）以及法规符合性文件。数据来源以内部研发部门、临床研究机构和外部CRO公司提交的结构化或半结构化文档为主。更新频率取决于项目的临床进展和法规变化，通常在临床试验的不同阶段或法规更新时进行大规模修订，日常会有小范围的勘误和补充。文档结构通常遵循ICH GCP（国际人用药品注册技术协调会药物临床试验管理规范）或NMPA（国家药品监督管理局）等监管机构的要求，具备明确的章节划分和编号系统。字段涵盖药物剂量、给药途径、受试者入组/排除标准、随访周期、眼压测量单位（mmHg）、视力矫正单位（Snellen分数或LogMAR）等，单位的精确性对医学判断至关重要。
这些特征在「多轮对话与提示词」这一环带来什么约束
眼科质量文档的专业性和严谨性，要求多轮对话系统在理解用户查询时，必须精准识别医学术语和计量单位，避免语义漂移。文档的更新特性意味着知识库需要定期增量更新，以确保对话结果的时效性和准确性。严谨的结构化要求，使得RAG（检索增强生成）在召回相关段落时，需要考虑文档的上下文关联性，例如一个不良事件报告可能需要同时关联到对应的临床试验方案和SOP。多轮对话中，用户可能会围绕特定眼科疾病（如青光眼、白内障）或药物（如降眼压药）进行深入提问，这就要求提示词设计能够引导模型在专业领域内进行推理，并对单位转换和数值范围有正确认知。对视力、眼压等关键指标的查询，模型需能从不同格式的文档中提取并对比数据。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 2000–3000 字符 | 确保在多轮对话中，能够涵盖用户提出的复杂眼科问题以及模型生成回复所需的背景信息。 |
分段长度 | 300 字符 | 眼科文档中，关键信息通常集中在较短的段落内，小分段利于提高召回精度。 |
召回条数 | 前 5–8 条 | 鉴于眼科文档的专业性，增加召回条数可以提升覆盖面，避免遗漏关键的医学条款或数据。 |
相似度阈值 | 0.75–0.85 | 提高阈值以确保召回的文档段落与眼科查询高度相关，减少无关信息干扰。 |
重排返回条数 | 前 3 条 | 经过重排后，取少量最相关的段落进行生成，减少模型处理负担，提高响应速度。 |
历史消息上限 | 10 轮 | 考虑到眼科问题可能需要较长的追溯上下文，适当增加历史消息上限。 |
容易做错的三处
- 现象：对话中模型频繁出现“信息不足，无法回答”的提示。原因：
相似度阈值设置过高，导致即使有相关信息也无法被召回。 - 现象：用户询问眼压单位转换或药物剂量时，模型给出错误数值或单位。原因：提示词中未明确要求模型关注数值和单位的准确性，或者知识库中相关数据的提取和标准化不足。
- 现象：在多轮对话中，模型无法联系上下文，对前期已给出的眼科症状或药物信息“失忆”。原因：
maxContext或历史消息上限设置过低，导致模型无法保留足够长的对话历史进行推理。
怎么确认配好了
- 针对特定眼科疾病的诊断标准、治疗方案、药物禁忌等核心问题，进行多轮提问，检查模型是否能准确引用相关法规或临床指南。
- 输入包含不同计量单位（如眼压mmHg、视力LogMAR）的查询，核对模型在回答中是否正确识别、引用或转换这些单位。
- 模拟实际迎检场景，提出与合规性要求相关的复杂问题，观察模型是否能关联多个文档，并给出逻辑清晰、依据充分的回答，然后与专家意见进行比对，设定合格阈值。
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。