一、引言：心理健康服务的新需求与挑战
随着全球心理健康服务需求的激增，专业治疗师的短缺已成为亟待解决的问题。传统的心理辅导依赖人工干预，难以满足大规模、即时支持的需求。近年来，大语言模型（LLM）因其生成共情且上下文相关的回应能力，成为心理支持领域的新前沿。然而，现有系统多聚焦于单次会话，缺乏跨会话的记忆能力和策略适应性，无法真正模拟临床实践中的长期治疗过程。
为此，本文隆重介绍TheraMind，一款为长期心理辅导设计的策略性、自适应代理。通过创新的双循环架构，TheraMind 将复杂的辅导过程分为“会话内循环”和“跨会话循环”，分别处理即时对话管理和长期治疗规划，确保治疗的连续性和个性化。
TheraMind: A Strategic and Adaptive Agent for Longitudinal Psychological Counseling
摘要
TheraMind 是一种创新的智能心理辅导智能体，基于大语言模型（LLM），通过独特的双循环架构解决现有系统在情感理解、策略适应和长期记忆方面的不足。其“会话内循环”实现动态对话管理，“跨会话循环”支持长期治疗规划。本文详细解析 TheraMind 的框架与实验成果，展现其在多会话一致性、灵活性和治疗契合度上的卓越表现。
二、TheraMind 的核心创新：双循环架构
TheraMind 的设计灵感来源于人类治疗师的认知过程，其核心在于一种全新的双循环架构。这一框架将心理辅导分解为两个相互关联的控制流：
- 会话内循环（Intra-Session Loop）：负责单次会话内的战术性对话管理，通过感知患者情感状态、动态选择回应策略（如支持性或挑战性），并结合跨会话记忆确保对话的连续性。
- 跨会话循环（Cross-Session Loop）：负责长期治疗策略规划，在每次会话后评估治疗效果，动态调整后续会话的治疗方法，确保治疗过程连贯且目标导向。
图1：TheraMind 双循环框架示意图
1. 会话内循环：动态对话管理
会话内循环是 TheraMind 的实时交互核心，旨在超越简单的共情回应，赋予系统感知敏锐度和战术反应能力。其运作包含以下关键模块：
- 多维度患者状态感知：通过反应分类器（Reaction Classifier）推断患者的情感状态、强度及对话态度（合作或抗拒），为后续决策提供依据。
- 记忆增强的上下文处理：利用动态记忆系统，根据当前对话内容从历史会话中提取相关信息，避免“临床失忆”，确保长期一致性。
- 临床导向的回应生成：回应生成不仅基于共情，还受到治疗阶段、策略选择及长期目标的指导，将每次回应转化为有目的的临床干预。
2. 跨会话循环：自适应治疗规划
跨会话循环是 TheraMind 区别于现有系统的最大创新，赋予其反思、学习和适应的能力，模拟专家治疗师的长期策略调整。其核心功能包括：
- 会话后效果评估：每次会话结束后，通过治疗评估模块对当前治疗方法的效果进行量化评分，为后续调整提供反馈。
- 自适应治疗选择：通过 LLM 驱动的治疗选择模块，根据效果评分和对话历史，动态决定是否维持当前方法或切换至更适合的治疗策略（如从认知行为疗法转向以客户为中心的方法）。
这种自适应机制突破了现有系统中单一治疗模式的局限，使 TheraMind 能够根据患者需求持续优化治疗路径，展现出真正的长期治疗能力。
三、实验验证：TheraMind 的卓越表现
为了验证 TheraMind 的有效性，研究团队在基于真实临床案例的高保真模拟环境中进行了广泛实验。实验数据集采用 CPsyCounR，包含 3134 份匿名且专业改写的中文心理辅导报告，涵盖爱情、家庭、情绪、压力等10个临床类别，确保评估的全面性和代表性。
1. 评估指标与设置
评估分为单次会话和多会话两个维度，指标基于心理治疗研究和专业标准，由训练有素的标注员按0-3分评分：
- 单次会话指标：包括治疗联盟（Therapeutic Alliance）和交互质量（Interaction Quality）。
- 多会话指标：包括一致性（Coherence）、灵活性（Flexibility）、共情（Empathy）和治疗契合度（Therapeutic Attunement）。
实验选用 DeepSeek-V3 作为基础模型，生成回应时温度设为0.9，确保多样性；决策任务温度设为0.3，保证稳定性。此外，评估还结合了 Gemini-2.5-Flash 进行自动化评分，并通过不同模型的使用减少潜在偏差。
2. 主要成果
实验结果表明，TheraMind 在所有单次会话和多会话指标上均显著优于基线方法，建立新的技术标杆。其单次会话平均得分为2.358，多会话平均得分从基线模型 DeepSeek-V3 的2.330提升至2.755（相对提升18.2%）。尤其在多会话指标中，TheraMind 在一致性（2.860）、共情（2.980）和治疗契合度（2.890）上表现突出，验证了会话内循环的长期临床交互能力；在灵活性（2.290）上的领先则证明了跨会话循环自适应治疗选择的有效性。
图2：TheraMind 在不同心理问题类别上的单次与多会话性能对比
3. 消融研究与类别分析
消融研究进一步验证了双循环架构中各组件的重要性。移除记忆机制导致性能下降最显著（胜率为75.00%），强调了长期上下文对避免“临床失忆”的重要性。此外，TheraMind 在10个心理问题类别中均保持一致的高性能，尤其在多会话评估中与其他模型的差距显著扩大，展现了其在复杂、动态问题上的处理能力。
4. 人类评估与案例分析
人类评估显示，TheraMind 的决策模块与人类临床推理高度一致，情感识别和记忆调用模块的准确率分别达95.59%和94.12%。与基线模型（如 PsyDTLLM、DeepSeek-V3）的比较中，TheraMind 以75%的胜率获得人类偏好，证明其双循环架构在长期治疗中的优势。
案例分析进一步揭示了 TheraMind 的行为特点。例如，其干预策略中“情感反射”（32.54%）使用最多，体现了对共情的重视；同时也采用“邀请采取新视角”（16.93%）等变革导向技术，展现出平衡的情感处理与认知行为改变能力。
四、TheraMind 的临床行为深度剖析
TheraMind 在模拟会话中的行为分析揭示了其治疗过程的多个关键特性：
- 情感景观：会话中常见的情感包括恐惧（33.69%）、悲伤（24.56%）和信任（21.71%）。高比例的信任表明 TheraMind 成功建立了强大的治疗联盟，为深入自我披露奠定了基础。
- 治疗阶段的结构化进展：TheraMind 能够引导治疗过程从初期建立关系的“参与阶段”，过渡到中期“探索阶段”，再到后期“整合阶段”，展现了多阶段治疗旅程的连贯性。
- 态度与情感强度的关联：系统通过感知患者态度与情感表达的细微关系，动态调整回应策略。例如，合作态度与高情感强度相关，表明患者在安全环境下更愿意表达情绪。
五、扩展: 知识图谱增强心理大模型的价值
知识图谱在心理辅导AI系统如TheraMind中的应用价值
知识图谱可以作为一种结构化数据工具，帮助系统更好地组织和存储患者的长期记忆数据，从而提升跨会话的连续性和一致性，尤其是在TheraMind的跨会话循环中，通过关联患者历史信息和情感状态，支持更精准的治疗策略调整。此外，知识图谱还能增强系统对患者情感和心理状态的多维度感知能力，通过映射情感、态度和治疗阶段之间的关系，辅助会话内循环的动态对话管理。最后，知识图谱可为TheraMind的个性化治疗提供支持，通过整合不同治疗方法和患者反馈数据，帮助系统在长期治疗中更灵活地选择和调整策略。
六、TheraMind 的潜力与未来展望
TheraMind 的推出标志着心理辅导 AI 从静态、单次交互模型向动态、长期代理的转变。其双循环架构不仅提升了治疗的一致性和灵活性，还为个性化心理支持开辟了新路径。未来，TheraMind 可进一步结合多模态数据（如语音、图像）增强情感感知能力，并在更多语种和文化背景下验证其普适性。
对企事业单位和科研院所而言，TheraMind 不仅是一个技术突破，更是一个值得投资和合作的方向。其在心理健康领域的应用潜力，可能为公共卫生系统、员工关怀项目和教育支持服务带来革新性解决方案。
