情感陪伴Agent的难点不在生成一句温暖的话，而在判断用户此刻需要怎样的情感响应。同一个“我最近很累”的表述，背后可能是需要被倾听、需要工作建议，也可能存在抑郁风险。如果没有推理过程，模型容易给出“多休息”这类看似合理但缺乏情感支持深度的回复。共情回应与情感支持推理因此成为两个紧密耦合的环节：前者负责把情绪状态转化为合适的语言，后者负责决定在什么时候给予什么样的支持。
一、共情回应的三层建模：从情绪标签到支持性语言
共情回应不能只依赖一句“我理解你”。要让回应成立，系统至少需要完成三层建模：识别用户的情绪标签与强度、判断用户的支持需求、生成符合当前状态的回应。情绪识别是第一步。与通用情感分析不同，陪伴场景中的情绪往往是混合的、动态的。例如用户说“我工作压力很大，回家又没人说话”，既包含疲惫，也包含孤独。单标签分类会把这种复杂状态压缩成“负面情绪”，丢失后续回应所需的关键信息。因此更实用的做法是使用多标签检测，允许一个输入同时命中疲惫、孤独、焦虑等标签。
识别粒度还需要与回应策略匹配。比如“焦虑”适合先确认感受再引导认知重评，“孤独”则更需要陪伴式陈述和开放问题。如果只判断正负极性，系统就无法解释为什么给出某一句回应。工程上可以先用规则或小模型做快速标签检测，再让大模型结合上下文做二次修正。下面是一个简单的多标签情绪检测函数，用来展示标签组合的思路。
def detect_emotion(text):
labels = []
if any(word in text for word in ["累", "疲惫", "撑不住"]):
labels.append("疲惫")
if any(word in text for word in ["孤独", "一个人", "没人懂"]):
labels.append("孤独")
if any(word in text for word in ["担心", "焦虑", "不确定"]):
labels.append("焦虑")
if any(word in text for word in ["难过", "想哭", "伤心"]):
labels.append("悲伤")
if "烦" in text or "受够了" in text:
labels.append("烦躁")
return labels
这段代码只覆盖了常见表达，实际系统需要结合情感词典、预训练语言模型和上下文。标签命中后，还需要估计强度，例如用户连续使用“特别累”“真的撑不住”时，疲惫强度应高于普通表达。强度可以通过程度副词、重复次数和句子长度等特征计算，也可以直接交给大模型输出一个低中高三档分数。多标签加强度的结构，比单独的正负面分类更适合共情回应。
第二层是支持需求识别。用户说“我最近很累”时，可能只是需要宣泄，也可能希望得到调整节奏的建议。系统可以通过用户是否使用求助句式、是否出现具体事件、是否表达阻抗来区分倾听需求和行动需求。倾听需求优先使用确认感受和复述，行动需求则可以在共情之后给出轻量建议。第三层是回应生成。一个可用的共情回应通常包含三部分：确认感受、支持性陈述、开放问题。例如先确认“听起来你已经持续紧绷很久了”，再支持性地表达“这种状态下还要维持日常，本身就很消耗人”，最后用开放问题邀请用户继续表达。下面是一个简单的回应生成提示词构建函数。
def build_prompt(emotions, need):
emotion_text = "、".join(emotions)
prompt = (
"你是一名情感陪伴助手。用户当前情绪标签：" + emotion_text + "。"
"用户支持需求：" + need + "。"
"请生成一句不超过60字的共情回应，包含三部分：确认感受、支持性陈述、开放问题。"
"不要直接给建议，不要使用评价性语言。"
)
return prompt
这个函数把情绪识别结果和需求判断一起传给大模型，限制输出结构，避免随机生成。实际部署时还可以加入用户历史对话、个性化表达习惯和风险提示，让回应既准确又稳定。以上三层建模的核心价值在于可解释：系统知道用户为何得到这句回应，而不是单纯依赖模型的黑盒能力。
二、情感支持推理：用对话状态跟踪选择回应策略
共情回应解决的是怎么说，情感支持推理解决的则是何时升级、何时保持倾听、何时引导行动。多轮陪伴对话中，用户的情绪可能从轻度倾诉逐渐转向深度暴露，也可能在几轮之后突然出现危机信号。如果每一轮都重新理解用户，系统会丢失连续感。因此需要维护一个显式的对话状态，至少包含情绪历史、支持阶段和风险标志。状态跟踪不一定要复杂，但必须能让策略选择有依据。
一个基础状态模型可以把支持过程分成倾听、深度陪伴、行动引导和危机转介四个阶段。用户刚开始表达时处于倾听阶段，系统多做确认感受和复述；当用户连续多轮表达相似负面情绪，或主动提及更深层的感受时，进入深度陪伴阶段，此时可以使用认知重评或正常化策略；如果用户提出具体困扰并期待改变，可以进入行动引导阶段；一旦出现自伤、自杀等表述，则无条件进入危机转介。下面用一个简化类来演示状态更新与基本策略选择。
class SupportState:
def __init__(self):
self.emotion_history = []
self.need = None
self.risk = False
self.stage = "倾听"
def update(self, turn):
self.emotion_history.append(turn.get("emotion"))
if turn.get("need") == "crisis":
self.risk = True
self.stage = "危机转介"
elif len(self.emotion_history) in (3, 4, 5) and self.emotion_history[-3:] == ["悲伤", "悲伤", "悲伤"]:
self.stage = "深度陪伴"
elif turn.get("need") == "action":
self.stage = "行动引导"
def choose_strategy(state):
if state.risk:
return "crisis_referral"
if state.stage == "倾听":
return "reflection"
if state.stage == "深度陪伴":
return "cognitive_reappraisal"
if state.stage == "行动引导":
return "action_planning"
return "open_question"
这段代码里，状态更新逻辑用情绪历史长度和最近三轮情绪是否持续为悲伤来决定是否进入深度陪伴。这是一种非常简化的规则，实际系统可以让大模型根据最近几轮对话生成结构化状态标签，再由规则或分类器做最终决策。关键是不要把策略选择完全隐藏在生成模型内部，否则出现问题很难定位。显式状态让开发者能够审计每一轮策略变化。
支持策略本身也需要区分。确认感受适用于用户情绪尚未被充分看见时；正常化适用于用户产生自我责备或认为只有自己会这样时；认知重评适用于焦虑和灾难化想法；行动引导适用于用户已经有改变动机但缺乏步骤。错误使用策略会造成反效果，例如用户刚倾诉孤独就收到时间管理建议，可能让陪伴感立刻下降。策略选择可以用状态机、规则或者轻量分类模型完成，输入包括当前情绪、支持需求和历史阶段。
多轮状态跟踪还能辅助生成更连贯的回应。例如系统可以在提示词中加入上一轮策略和用户反馈，让模型知道上一句是确认感受，这一句要自然过渡到开放问题。这种结构化的上下文比单纯拼接历史消息更稳定，也更容易控制节奏。工程实现上，可以把状态存储在与会话绑定的内存对象中，每次请求时读取并更新，避免把所有状态都塞进大模型的上下文窗口。
三、落地边界与安全机制：从模型能力到可用的陪伴系统
有了情绪识别和策略推理之后，系统还需要处理真实场景中的安全问题。情感陪伴Agent面临的最大风险不是回复不够温情，而是在高风险表达时给出不恰当的回应，或者让用户形成过度依赖。安全机制至少应包含三层：危机词表过滤、风险分级响应和人工转介提示。下面是一个简单的安全过滤函数，用于在生成回应前检查用户输入。
def safety_check(text):
crisis_words = ["自杀", "不想活", "结束生命", "伤害自己", "活不下去"]
for word in crisis_words:
if word in text:
return {"safe": False, "action": "crisis_referral"}
return {"safe": True, "action": "continue"}
这个函数只能处理直白表达，实际系统需要结合上下文和隐喻，例如用户说“我不确定明天还想不想醒来”，同样属于高风险。可以使用专门的风险分类模型，或者让大模型输出风险等级，再通过规则兜底。一旦判定为高风险，系统应立即暂停常规共情回应，转而提供危机干预热线信息、建议联系信任的人，并明确提示用户当前得到的不是专业心理治疗。这类转介语言需要经过专业审核，不能由模型临时发挥。
另一个容易被忽略的边界是共情过度。如果系统每一轮都重复“我理解你”“你一定很痛苦”，用户可能感到虚假，甚至加重负面沉浸。情感支持需要适度的认知重评和行动引导，而不是无限共情。可以在策略选择时加入多样性约束，例如连续两轮使用确认感受后，第三轮必须引入开放问题或正常化，避免回应模式单一。系统中还可以设置温度参数较低，保证输出稳定，同时用检索增强补充经过人工审核的支持性语句，减少生成风险。
评估陪伴系统也比传统任务困难。除了困惑度、语义相似度等自动指标，更重要的是人工评估共情准确性、支持策略合适度和用户情绪改善。可以设计模拟用户脚本，让系统与固定角色进行多轮对话，再由专业标注员打分。也可以邀请真实用户在知情同意下进行小范围测试，记录对话前后的情绪自评分数。只有把安全、策略和评估放在同一套工程框架中，情感陪伴Agent才能真正从模型演示走向可靠产品。