从提示词规则到 Golden Data Model：以生产规模生成个性化、合规的药品宣传主张
From Prompt Rules to Golden Data Model: Production-Scale Generation of Personalized, Compliant Pharmaceutical Claims
精选理由
展示如何以结构化数据检索替代繁复提示规则，提升药品文案的合规性、个性化质量与复用率，并降低生成成本。
AI 摘要
大型语言模型（LLMs）正日益广泛地用于在制药等受监管行业中生成领域专属的商业和医学内容（例如宣传主张、陈述和推广用语）。然而，确保这些内容符合法规、事实准确，并针对特定受众实现个性化，仍是一项重大挑战。我们报告了一项生产环境案例研究，探讨将合规与个性化信号从提示词层面的规则转移到检索时的结构化上下文中，是否能改善药品宣传主张的生成。研究使用了已部署的内部工具 Composer，该工具基于 Golden Data Model（GDM）构建，涵盖四款产品的 1,867 条药品宣传主张。GDM 整合了宣传主张元数据、参考文献、受众标签、材料类型、使用历史、Match Text Variant（MTV）链接，以及六维质量评分（6C）。在六个产品—受众细分组中，上下文处理流水线提升了预期适应证匹配度（+29%）、预期内容类型匹配度（+62%）、预期目标受众匹配度（+67%）、6C 质量评分（+86%）及宣传主张复用率（+34%）。对部署期间生产日志的分析显示，每周 API 成本降低了 29.5%。我们将这些结果作为描述性的部署证据加以报告。本研究的贡献在于系统与数据架构：它表明，在受监管的高风险领域，重构宣传主张数据以支持检索时过滤，比扩充提示词层面的规则更具可扩展性，并记录了涵盖数据清洗、图谱链接和质量评分的工程实施路径。