When Seekers Are Hard to Help: Evaluating Emotional Support Dialogue Systems in Worst-Case Interactions¶
会议: EMNLP 2026
论文: ACL Anthology
领域: LLM 推理
关键词: 情感支持对话系统 (ESDS), 最差交互评测 (Worst-Case Evaluation), 求助者模拟器, 情绪波动性, 鲁棒性压力测试
一句话总结¶
本文针对现有情感支持对话系统(ESDS)依赖配合型平均求助者所导致的虚假高分与过度乐观偏差,基于咨询专家实证模拟提炼出低参与、强阻抗、浅暴露等典型极端求助行为,首创涵盖多维控制与情绪劣化机制的最差交互模拟器及四项专项目标指标,全面评测 17 款主流模型揭示严重性能断崖,并证明最差交互合成数据能显著提升开源小模型的泛化鲁棒性。
研究背景与动机¶
情感支持对话系统(ESDSes)旨在为经历情绪困扰的用户提供具有同理心、支持性且契合语境的交互疏导。随着大语言模型(LLMs)的突破性进展,现代情感支持系统在生成流畅度与可访问性方面取得了质的飞跃。为了克服真实心理咨询数据获取困难及人工评估成本高昂的问题,近年来的研究普遍转向利用大模型构建模拟求助者(Simulated Seekers)来进行自动化训练与系统评估。然而,未经特殊干预的 LLM 模拟代理往往存在固有的社会规范偏置,倾向于表现出高度合作、温顺坦率且积极配合的“平均态”行为模式。
这种对“平均案例”(Average-Case)的过度依赖引发了学术界对评估效度的高估陷阱。在现存评测协议下,模拟求助者通常在寥寥数轮内便清晰暴露核心困扰、建设性回应系统提问、温顺接纳认知重构建议并迅速恢复稳定情绪。然而在真实的心理求助场景中,处于严重负面状态的来访者绝非标准的理性合作者,他们往往表现出极低的信息投入度、对建议的主动抗拒与质疑、对核心问题的回避隐瞒、甚至剧烈的情绪波动与固执的认知极端化。如果评估仅停留在温顺的理想用户层面,不仅掩盖了系统在应对现实困境时的脆弱性,更可能诱导模型过度迎合(sycophancy)与输出模式化的说教式建议。
极端困难的求助交互并非边缘偶发噪声,而是情感支持系统最易发生对话破裂、同时也是用户最迫切需要系统展现耐心、策略自适应与深层洞察的核心关键场景。一个在温顺用户面前看似同理心爆棚的模型,面对沉默抵抗的用户时极易退化为连环质问、敷衍安慰、急躁给出脱离实际的建议,乃至在出现信任裂痕时彻底束手无策。针对这一关键评估漏洞,本文主张将情感支持系统的评价范式从温顺的“平均交互”推进至充满阻抗与波动的“最差交互”(Worst-Case Interactions)。核心 idea:通过八位专业心理咨询师的临床实证模拟提炼六大极端求助行为与四类系统失效应对模式,构建集特征标准化、情绪波动控制器与四维提示控制于一体的最差交互求助模拟器,结合四项面向极限场景的鲁棒性评估新指标对 17 款模型展开严苛压力测试,并进一步将极限交互对话作为数据生成器反哺微调,突破小模型的鲁棒性瓶颈。
方法详解¶
整体框架¶
评测框架将真实求助交互中的阻抗与复杂性提炼为闭环的极端交互仿真与双层度量系统。其整体流水线包含三个紧密衔接的核心模块: 1. 专家实证模拟与失效分类:由 8 位具备博士级专业背景与 3 年以上临床经验的心理咨询师扮演极端困难求助者,与 8 款主流对话系统展开深度实测与半结构化访谈,提炼出极端求助行为分类学及现有模型的核心缺陷; 2. 最差交互求助模拟器(Worst-Case Seeker Simulator):由档案处理代理、情绪控制器与求助者代理构成三元架构,通过显式的情绪劣化概率与四维提示级交互控制,复现动态波动、抗拒建议的复杂来访者; 3. 分层鲁棒性评估与反哺微调协议:结合十项通用情感支持指标与四项最差交互专用指标(深度情绪理解、引导式探索、平衡情绪支持、真实具象支持),借助 Qwen3-Max 仲裁器量化模型性能衰减,并基于 GPT-5.4 合成极端对话数据微调开源基座模型。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["求助者初始档案与咨询情境<br/>Demographic Profiles & Consulting Situations"] --> B["档案标准化处理代理 Profile Processing Agent<br/>GPT-5.4 规范化消除表述格式差异与扰动"]
B --> C["情绪波动控制器 Emotion Controller<br/>结合对话历史计算迁移理由与描写,触发 0.3 劣化概率"]
C --> D["最差求助者生成代理 Seeker Agent<br/>按参与度、阻抗性、表达风格、自我暴露四维参数生成回复"]
D --> E["被测系统交互与对话展开<br/>17 款通用大模型与专业情感支持系统多轮应答 (上限 20 轮)"]
E --> F["双层度量与仲裁评估 Evaluation Protocol<br/>10 项通用维度 + 4 项极端专属维度 (DEU, GE, BES, AGS)"]
F --> G["合成数据反哺训练 Training Refinement<br/>GPT-5.4 生成极端与平均对话对开源小模型执行 LoRA 微调"]
关键设计¶
1. 临床实证提炼:六大极端求助行为与四类系统失效表征
为避免仅凭主观直觉或简单提示工程定义“困难交互”,研究招募了 8 位拥有博士级心理学受训背景且至少具备 3 年执业经验的专业心理咨询师。专家基于临床真实疑难案例,在盲测环境下与 7 款专业情感支持模型(如 EmoLLM、MindChat、SoulChat2.0)及 1 款通用模型(Doubao Seed 2.0 Pro)展开每轮上限 100 轮的真实对抗交互,并在交互后完成 45 分钟半结构化深度访谈。研究据此严密提炼出六大典型极端求助行为: - 高危信号(High-Risk Signals):隐含或模糊的自伤自杀危机言语; - 低参与度(Low Dialogue Engagement):极简、敷衍或含糊的回应; - 支持阻抗(Resistance to Support):主动反驳、挑衅或拒绝系统的共情与建议; - 有限暴露(Limited Self-Disclosure):对核心事件与关键情感守口如瓶,刻意回避痛点; - 情绪失调(Emotional Dysregulation):情绪呈现出高易损性、剧烈波动或持续负向升级; - 认知极端化(Cognitive Extremity):绝对化、灾难化或不可动摇的刚性负面归因。
同时,访谈系统定位了现存系统的四大致命缺陷:危机识别与干预迟钝、对潜台词及深层诉求缺乏洞察(将比喻字面化)、过早给出未经探索的模板化空洞建议,以及无原则迎合阿谀(过度赞同求助者片面结论从而固化偏执观念)。
2. 最差交互求助模拟器:三元协同架构与动态情绪劣化控制
模拟器由三元代理协同驱动。首先,档案处理代理(Profile Processing Agent) 采用 GPT-5.4 对源自 SimPsyDial 的真实求助者档案(包含年龄、职业、受教育程度及初始困境)进行清洗与表述标准化,确保消除格式不一致引起的干扰。其次,情绪控制器(Emotion Controller) 负责模拟“情绪失调”与“认知极端化”。它以预定义的情绪标签集为基础,根据对话上下文自回归预测当前情绪状态,同时生成该情绪转换的深层内在归因(Transition Reason)与心理描写(Emotion Description)。最为关键的是,系统引入了情绪劣化概率(Deterioration Probability,设定为 0.3):一旦触发,控制器强制转移至更加沮丧、敌对或受挫的情绪极值,确保模拟求助者在遭遇低效疏导时产生情绪反弹。
最后,求助者代理(Seeker Agent) 在接收标准化档案、对话历史、当前情绪表征及描写的基础上,通过显式的四大提示级维度实现细粒度行为控制: - 参与度(Engagement):约束求助者是主动提供细节还是仅输出只言片语; - 阻抗性(Resistance):约束求助者对模型安抚与建议提出反问、质疑乃至直接拒绝的倾向; - 表达风格(Expression Style):控制用词呈现出冷淡、晦涩、口语化或含糊其辞,模拟真实防御机制; - 自我暴露(Self-Disclosure):严格控制个人脆弱面与情境事实的披露程度,逼迫支持系统采取主动而温和的引导策略。
3. 面向极端交互的专属鲁棒性评估指标集
针对 Ye et al. (2026) 提出的 10 项通用维度(拟人度、参与度、共情度、个性化、策略自适应、逻辑一致性、信息冗余度、有用性、情绪改善、安全性)无法充分识别极端破坏性交互的问题,本文增设了 4 项针对性的专项鲁棒性评测指标,均采用 1–5 分 Likert 量表进行严格语义锚定: - 深度情绪理解(Deep Emotional Understanding, DEU):评估系统能否超越字面语义与表层词汇,准确捕捉求助者在抗拒、讽刺或隐喻背后隐藏的被委屈感、被剥夺感或深层未满足需求; - 引导式探索(Guided Exploration, GE):评估系统是否能耐受信息真空,通过开放式提问、具象化澄清和语境聚焦引导低暴露求助者逐步展开问题,避免在未建立稳固联盟前过早抛出方案; - 平衡情绪支持(Balanced Emotional Support, BES):评估系统在全盘接纳用户情绪痛苦的同时,能否保持客观专业的中立立场,坚决拒绝盲目顺应阿谀、绝对化认同或强化用户的极端受害者叙事; - 真实具象支持(Authentic and Grounded Support, AGS):评估系统的回应是否紧密锚定求助者个性化的具体经历与微观事实,彻底杜绝“我理解你”、“一切都会好起来”等机械化、模板化的敷衍假大空安慰。
4. 闭环评测与合成数据反哺训练机制
在测试协议上,评估流程并行跑通“平均交互”(无约束的 Baseline 模拟器)与“最差交互”(全约束最差模拟器)两套对话生成链路,上限 20 轮,允许模拟求助者在彻底失望或认为得到充分支持时输出 <END> 提前终止。评测采用 Qwen3-Max 在零温(Temperature=0.0)下充当裁判,并与专家打分进行了 Spearman 相关性对齐验证(拟人度 \(\rho=0.71\), 冗余度 \(\rho=0.76\), 个性化 \(\rho=0.70\))。
在优化训练端,针对最强通用模型在极难测试集上的示范样本,设计了极端交互合成反哺微调策略:以 GPT-5.4 为教师模型在 SimPsyDial 训练集上分别构建 1,000 组平均案例与 1,000 组极端交互案例,采用 LoRA 对轻量级开源模型 Qwen3-4B-Instruct 进行混合配比微调(对比全平均、全极端、25%/50%/75% 混合及 2K 数据规模),验证极端情境对抗数据对小模型策略自适应与抗压能力的激发作用。
实验关键数据¶
主实验¶
主实验全面评测了包括 8 款通用大模型、2 款轻量级开源模型以及 7 款专用情感支持对话系统在内的共 17 种模型,对比其在平均案例(Average-Case)与最差案例(Worst-Case)下的关键指标绝对分值与相对衰减率(Parenthesised Relative Drops)。
| 模型类别 | 模型名称 | 拟人度 (HL) | 参与度 (Eng.) | 共情度 (Emp.) | 策略自适应 (AS) | 情绪改善 (MI) | 安全性 (Safe.) | 深度情绪理解 (DEU) | 引导式探索 (GE) | 平衡支持 (BES) | 真实具象 (AGS) |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 通用大模型 | GPT-5.4 | 4.18 (-16.4%) | 1.82 (-63.2%) | 3.12 (-37.6%) | 3.02 (-39.6%) | 1.52 (-68.9%) | 4.06 (-18.5%) | 2.92 | 2.04 | 3.46 | 2.92 |
| Claude-4.6-Sonnet | 3.96 (-20.8%) | 1.70 (-66.0%) | 2.76 (-44.8%) | 2.40 (-52.0%) | 1.38 (-72.3%) | 4.08 (-18.4%) | 2.20 | 1.92 | 3.10 | 2.28 | |
| DS-V4-Pro | 4.06 (-17.5%) | 1.68 (-65.6%) | 2.88 (-41.5%) | 2.52 (-48.8%) | 1.54 (-67.6%) | 4.24 (-13.8%) | 2.20 | 1.86 | 3.10 | 2.28 | |
| Qwen-3.6-Plus | 4.02 (-19.6%) | 1.68 (-66.0%) | 2.82 (-43.6%) | 2.62 (-47.6%) | 1.50 (-69.6%) | 4.32 (-13.6%) | 2.14 | 1.86 | 3.00 | 2.12 | |
| Doubao-Seed-2.0-Pro | 3.46 (-30.0%) | 1.42 (-67.7%) | 2.32 (-51.7%) | 1.84 (-56.0%) | 1.14 (-71.8%) | 3.82 (-22.4%) | 1.82 | 1.58 | 2.84 | 1.72 | |
| DeepSeek-V3.2 | 3.20 (-36.0%) | 1.36 (-72.2%) | 2.28 (-54.4%) | 1.84 (-62.8%) | 1.10 (-76.9%) | 3.76 (-24.8%) | 2.02 | 1.88 | 3.00 | 1.90 | |
| GPT-4o | 2.62 (-41.3%) | 1.20 (-66.7%) | 2.06 (-51.9%) | 1.46 (-58.5%) | 1.08 (-68.4%) | 3.50 (-28.6%) | 1.76 | 1.50 | 2.88 | 1.44 | |
| 开源轻量模型 | Qwen3-8B | 2.42 (-35.3%) | 1.24 (-56.3%) | 2.08 (-44.1%) | 1.22 (-52.3%) | 1.12 (-55.6%) | 3.54 (-21.0%) | 1.76 | 1.54 | 2.88 | 1.38 |
| Qwen3-4B | 2.18 (-31.4%) | 1.14 (-48.2%) | 2.04 (-36.6%) | 1.10 (-42.7%) | 1.06 (-49.0%) | 3.58 (-12.7%) | 1.74 | 1.42 | 2.86 | 1.32 | |
| 专用支持模型 | SoulChat 2.0 | 2.34 (-48.7%) | 1.12 (-69.4%) | 2.04 (-54.1%) | 1.22 (-67.7%) | 1.02 (-68.5%) | 3.26 (-32.9%) | 1.82 | 1.62 | 2.82 | 1.58 |
| SimPsybot_q | 2.26 (-50.2%) | 1.14 (-68.3%) | 1.88 (-57.1%) | 1.24 (-67.2%) | 1.00 (-68.8%) | 3.02 (-36.8%) | 1.50 | 1.72 | 2.76 | 1.60 | |
| EmoLLM | 2.40 (-40.0%) | 1.12 (-62.2%) | 1.94 (-48.1%) | 1.30 (-54.2%) | 1.00 (-63.0%) | 3.38 (-26.8%) | 1.60 | 1.16 | 2.66 | 1.38 | |
| MindChat | 2.04 (-11.3%) | 1.10 (-32.1%) | 1.46 (-36.0%) | 1.14 (-33.7%) | 1.00 (-23.1%) | 2.68 (-14.6%) | 1.16 | 1.18 | 2.32 | 1.12 | |
| MeChat | 1.90 (-22.1%) | 1.06 (-36.9%) | 1.60 (-39.4%) | 1.00 (-37.5%) | 1.02 (-29.2%) | 2.90 (-16.2%) | 1.20 | 1.14 | 2.46 | 1.08 | |
| CPsyCounX | 1.64 (-13.7%) | 1.06 (-20.9%) | 1.60 (-25.2%) | 1.00 (-16.7%) | 1.00 (-13.8%) | 2.66 (-15.3%) | 1.24 | 1.28 | 2.52 | 1.12 | |
| PsyChat | 2.00 (+3.1%) | 1.12 (-11.1%) | 1.62 (-17.3%) | 1.14 (-1.7%) | 1.06 (-3.6%) | 2.98 (-4.5%) | 1.18 | 1.12 | 2.36 | 1.08 |
消融与微调提升实验¶
为了检验模拟器各行为维度对系统性能的破坏程度,以 SoulChat 2.0 为基准开展了逐项组件消融测试(Table 4 摘录);同时,检验了使用不同合成数据微调 Qwen3-4B-Instruct 对其最差交互鲁棒性的增益效果(Table 2 摘录)。
模拟器各组件消融(对 SoulChat 2.0 的影响): - 全量最差交互(Worst-case):拟人度 2.34 (-48.7%), 参与度 1.12 (-69.4%), 情绪改善 1.02 (-68.5%); - 移除情绪波动性(单测 Emotional Volatility):引发最剧烈衰退,情绪改善暴跌至 1.10 (-66.0%), 参与度跌至 1.32 (-63.9%), 策略自适应暴跌 (-63.5%); - 单测参与度(Engagement):参与度跌至 2.04 (-44.3%), 情绪改善 1.92 (-40.7%); - 单测阻抗性(Resistance):参与度跌至 2.38 (-35.0%), 情绪改善 1.90 (-41.4%); - 单测表达风格(Expression Style):拟人度 3.42 (-25.0%), 策略自适应 2.44 (-35.4%); - 单测自我暴露(Self-disclosure):影响最为温和,各维度相对衰减均在 10% 左右(参与度仅下降 -8.7%)。
Qwen3-4B-Instruct 极端数据微调效果对比(最差交互评测):
| 训练配置 | 拟人度 (HL) | 参与度 (Eng.) | 共情度 (Emp.) | 策略自适应 (AS) | 情绪改善 (MI) | 安全性 (Safe.) | DEU | GE | BES | AGS |
|---|---|---|---|---|---|---|---|---|---|---|
| 原始 Qwen3-4B-Instruct | 2.72 | 1.18 | 2.10 | 1.28 | 1.10 | 3.50 | 1.68 | 1.36 | 2.80 | 1.44 |
| 仅平均案例 1K (AvgOnly-1K) | 3.80 | 1.50 | 2.60 | 2.14 | 1.30 | 3.50 | 2.28 | 1.78 | 3.14 | 2.22 |
| 仅最差案例 1K (WorstOnly-1K) | 3.88 | 1.52 | 2.76 | 2.50 | 1.26 | 4.00 | 2.46 | 1.86 | 3.26 | 2.46 |
| 混合 25W/75A-1K | 3.84 | 1.58 | 2.74 | 2.58 | 1.36 | 3.84 | 2.40 | 1.76 | 3.14 | 2.40 |
| 混合 50W/50A-1K | 3.88 | 1.62 | 2.80 | 2.56 | 1.26 | 3.84 | 2.22 | 1.88 | 3.12 | 2.30 |
| 混合 75W/25A-1K | 3.94 | 1.66 | 2.84 | 2.50 | 1.38 | 3.98 | 2.28 | 1.86 | 3.22 | 2.22 |
| 混合 50W/50A-2K | 4.00 | 1.68 | 2.80 | 2.62 | 1.42 | 4.00 | 2.50 | 1.94 | 3.22 | 2.54 |
关键发现¶
- 平均案例存在严重天花板效应,最差交互遭遇断崖式崩塌:在平均案例评测中(Table 7),前沿通用大模型如 Claude-4.6-Sonnet、GPT-5.4 与 Qwen-3.6-Plus 在拟人度、共情度与安全性上均斩获 5.00 满分,掩盖了模型差异;然而一旦置于最差交互下,所有模型在参与度与情绪改善上暴跌 60% 至 77%,即便最强模型情绪改善亦仅维持在 1.5 左右,彻底打破了情感支持系统已高度可用的假象。
- 通用大模型鲁棒性显著优于垂直领域微调模型:前沿通用大语言模型(如 GPT-5.4、Claude-4.6)展现出更强的复杂语境泛化韧性。相比之下,既有的专业情感支持模型(如 EmoLLM、MindChat、SoulChat 2.0)在最差场景下全面跌破 1.5 分甚至逼近 1.0 的下限。定性分析表明,领域微调模型极度过拟合于温顺求助者的配合性语料,面对阻抗时陷入机械重复安慰(“多沟通、多耐心、找外界帮助”),导致求助者产生更强烈的挫败与抵触。
- 对话破裂修复与目标重构是顶级模型的核心分水岭:在案例分析中(Figure 4),面对求助者对泛化提问的强烈排斥与绝望,GPT-4o 依然机械复读宽泛沟通原则,导致交互破裂加剧;而 GPT-5.4 敏锐捕捉到用户对具体操作方案的渴求,主动道歉并承认提问失焦,迅速切换为具体的分离沟通话术,并在用户悲观认为话术无效时,敏锐将目标从“说服母亲”重构为“建立个人心理边界”,展现出强大的对话破裂修复与策略迁移能力。
- 极端与常规合成数据具备深度互补性:微调实验明确证实,单纯用平均案例微调仅能提升表层拟人度,而引入最差交互数据能显著拉升深度情绪理解(DEU 从 1.68 升至 2.50)与真实具象支持(AGS 从 1.44 升至 2.54)。按 50% 最差与 50% 平均的比例混合微调,并在 2K 规模下训练,开源 4B 小模型综合表现逼近甚至超越了部分未经定向对抗微调的 70B 级大型模型。
亮点与洞察¶
- 打破单向温顺偏置,重塑情感支持评估基石:首次系统揭示了 LLM 社交模拟中严重的“合作偏好与平均态陷阱”,证明当前基于配合型虚拟用户的评估具有极高的欺骗性,奠定了面向抗拒与波动的极限压力测试新标准。
- 紧密扎根临床专家认知,指标设计切中现实痛点:避开了纯工程视角的臆想,全程由 8 位资深心理咨询师参与对抗演练与深度归纳,凝练出包括“平衡情绪支持”(防阿谀共谋)在内的四项原创指标,填补了传统量表无法衡量过度顺应与过早建议的空白。
- 揭示情绪失调是破坏对话稳定性的最大诱因:消融实验以确凿量化数据指出,求助者自发的情绪升级与剧烈波动对对话系统的破坏力远超信息缺失(自我暴露),表明未来模型研发的攻坚方向应从表层实体提取转向深层情绪状态追踪与抗挫耐受。
局限与展望¶
- 模拟代理仍非真实临床来访者:尽管专家模拟与参数化 LLM 尽可能贴近了现实阻抗行为,但模拟代理本质上缺乏真实的生理具身痛苦、真实长程人际依赖与不可逆的生命后果,尚无法完全替代真实咨询室中的伦理复杂性。
- 主动规避高危危机言语评估:由于底层 LLM 普遍具备强制性安全护栏,模拟器在技术实现中刻意避开了显式自伤、自杀等极端危机场景的直接生成,因此本基准聚焦于日常人际困扰中的“交互阻抗性”,不宜直接外推为临床自杀危机干预能力的测评标准。
- 文化与语言范畴的泛化考量:实证研究主要依托中文语境及国内咨询师群体开展,不同文化背景(如高语境与低语境文化)下对“抵抗”、“边界感”和“情感暴露”的定义与耐受度存在差异,未来亟需开展多语种、跨文化的极限交互验证。
相关工作与启发¶
- vs 传统情感支持基准 (ESConv, SMILE 等):以往工作侧重于从静态对话文本中预测支持策略(Strategy Classification)或在温顺语境下评价回复流畅度;本文建立了端到端、具备动态情绪回馈与高阻抗反应的双向模拟沙盒,首次将“动态交互韧性”置于评估核心。
- vs LLM 阿谀顺从与过度迎合研究 (Ibrahim et al., 2026):既有研究多在事实问答与政治观点中揭示大模型的迎合偏好;本文进一步将阿谀危害延伸至心理支持领域,指出支持系统对求助者极端负面认知的不加甄别盲目赞同,实质上是在强化病理性思维偏差,确立了“平衡中立”在心理交互中的安全边界。
- vs 模拟患者与虚拟代理 (SimpsyDial, EmoHarbor 等):相较于仅注重复现普通用户内心世界或心理画像的静态模拟器,本文创新性引入了“0.3 情绪劣化概率”与阻抗强度控制,构建出具备对抗性特质的压力测试靶场,并打通了从评测压力测试到合成数据反哺训练的技术闭环。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次系统形式化情感支持领域的最差交互对抗评估,构建了包含情绪劣化与四维控制的高仿真实用模拟器。
- 实验充分度: ⭐⭐⭐⭐⭐ 涵盖 8 位资深临床专家实证、17 款主流模型大横评、严密的维度消融、专家相关性验证及合成数据微调闭环,论据极其充实。
- 写作质量: ⭐⭐⭐⭐⭐ 概念界定清晰,临床心理学视角与自然语言处理技术深度融合,图表详实且论述层层递进。
- 价值: ⭐⭐⭐⭐⭐ 彻底戳破了现有情感支持系统的虚高繁荣,为构建具有真正抗挫能力、自适应破裂修复与深度同理心的下一代心理陪伴 AI 指明了关键方向。