From Prompt Rules to Golden Data Model: Production-Scale Generation of Personalized, Compliant Pharmaceutical Claims· 从提示规则到金色数据模型
Large language models (LLMs) are increasingly used to generate domain-specific commercial & medical content (e.g., claims, statements, and promotional phrases) in regulated industries such as pharmaceuticals. However, ensuring its regulatory compliance, factual accuracy, and audience-specific personalization remains a major challenge. We report a production case study asking whether moving compliance and personalization signal from prompt-level rules into retrieval time structured context improves pharmaceutical claims generation, using Composer, a deployed internal tool built on a Golden Data Model (GDM) of 1,867 pharmaceutical claims spanning four products. The GDM integrates claim metadata, references, audience labels, material type, usage history, Match Text Variant (MTV) links, an
将合规性和个性化信号从提示规则转移到检索时的结构化上下文，以改进药物声明生成。
- 核心方法
- 通过Composer工具，从提示规则转向检索时的结构化上下文，利用包含1,867条药物声明的金色数据模型（GDM）来集成声明元数据、参考文献、受众标签、材料类型、使用历史和匹配文本变体链接。
- 适合谁读
- 研究者 / 工程师 / 产品经理
- 要解决的问题
- 大型语言模型在生成药物声明时难以确保监管合规性、事实准确性和目标受众的个性化。
- 关键实验
- 在四个药物产品上进行实验，使用1,867条药物声明的数据集，显示了新方法的有效性。
- 主要贡献
- 提出了将合规性和个性化信息嵌入模型生成过程的新方法，提高了药物声明生成的质量和可靠性。
- 意义与局限
- 该研究为药物声明生成提供了一种更高效、更可靠的方法，有助于提高行业内容生产的合规性和个性化水平，但可能需要更多的数据和计算资源。