心理咨询陪伴Bot搭建指南：多轮对话与情绪识别实战

要构建一个能深度理解用户情感、提供持续心理支持的对话机器人，仅靠预设回复远远不够。这需要一套精密的设计体系：从精准的情绪捕捉、动态的对话状态管理，到充满共情而非说教的回应机制。接下来，我们将逐步拆解如何打造这个具备“情感温度”的陪伴型Bot。

整个实现流程的核心，在于构建情绪识别、对话状态管理与共情响应三大模块的闭环。具体可分解为以下五个关键环节。

一、配置情绪识别词槽与预设实体

准确“感知”用户情绪是对话的起点。系统必须能从用户的自然语言中，提取表达感受的核心词汇及其程度修饰，并将其转化为结构化数据。这意味着，我们需要预先定义一套机器人能够理解的情感“语义库”。

首先，进入豆包AI控制台的「知识库」→「实体管理」，创建一个名为“情绪类型”的枚举实体。将常见的基础情感词汇录入，例如“焦虑”、“抑郁”、“愤怒”、“孤独”，同时也要纳入“平静”、“欣慰”等积极状态词。

接着，新建一个“情绪强度”枚举实体，用于量化感受的等级，数值可设定为“轻微”、“中等”、“强烈”、“极度”。

随后，切换至「对话流程」设计界面。创建两个关键词槽：其一命名为“当前情绪”，其类型关联至刚建立的“情绪类型”实体；其二命名为“情绪强度等级”，类型指向“情绪强度”实体。

此处有一个核心配置：务必为这两个词槽启用“自动填充”与“跨轮次保留”功能。这确保了即使用户在后续对话中未重复提及，机器人也能记住已识别的情绪状态，保障对话的连贯性与上下文一致性。

二、构建三层情绪响应状态机

有效的心理支持对话并非随机闲聊，它遵循内在的逻辑阶段。为避免机器人行为失序（例如在用户未充分表达前就急于提供建议），我们需要通过状态机来明确界定其行为边界。该状态机通常包含三个递进阶段。

第一阶段为倾听确认态。当系统检测到用户输入尚未填充“当前情绪”词槽，且语句呈现倾诉特征（例如包含“最近”、“总是”、“不知如何是好”等模式）时，即进入此状态。此时，机器人的核心任务是鼓励并引导用户表达，而非仓促做出判断。

第二阶段为情绪标注态。当“当前情绪”与“情绪强度等级”两个词槽均被成功填充后，对话过渡至此状态。机器人的关键动作是复述并确认用户的感受，例如回应：“你提到自己正经历强烈的孤独感，我的理解准确吗？”这一步至关重要，它直接传递了“被倾听”与“被理解”的信号。

第三阶段为支持响应态。仅当前两个状态均已完成，且用户对情绪描述表示认同时，方可进入支持阶段。在此阶段，机器人将调用预设的共情话术库进行回应。必须严格遵循的原则是：此阶段禁止生成任何医疗诊断或具体建议，其角色定位是陪伴者，而非治疗师。

三、接入外部情绪分析API增强识别鲁棒性

单纯依赖关键词匹配可能显得生硬，容易遗漏隐晦的情感表达，例如“最近睡眠质量很差”或“连吃饭都没什么兴致”。为了提升情绪识别的准确度与细腻度，可以引入轻量级的外部情绪分析API作为辅助层。

具体实施上，可在豆包AI的「插件中心」启用HTTP请求插件，将其配置为指向一个部署在自有服务器的情绪分析模型服务（例如基于BERT微调的中文细粒度情感分类模型）。该API将返回情绪类别及对应的置信度分数。

随后，在对话流程设计中，于“情绪标注态”节点前插入一个「条件分支」。若豆包内置词槽识别结果与外部API返回的主情绪类别一致，且置信度达到阈值（例如≥0.85），则顺利进入标注态。若结果不一致，机器人可触发一次澄清式追问，例如：“你刚才描述的‘那件事让我喘不过气’，更多是源于压力，还是悲伤的情绪？”

此外，API返回的详细情绪概率分布可存入临时变量，用于在后续的支持响应态中动态调整机器人的语气与措辞，例如在高焦虑值状态下自动避免使用幽默表达。

四、设计非指导性安慰话术模板库

这是赋予机器人“共情力”的核心环节。心理咨询陪伴Bot的核心价值在于提供一个安全、被全然接纳的倾诉空间，而非提供解决方案。因此，所有安慰响应都必须严格遵循“不评判、不建议、不打断、不替代”的原则。

首先，在「知识库」→「话术管理」中建立一个结构清晰的话术库。建议以“情绪类型”作为一级分类，在每个情绪类型下，再按“强度等级”建立二级目录。例如，路径结构可为：孤独 → 强烈 → 孤独_强烈_01。

每一条话术模板建议以JSON格式录入，包含关键字段：“text”（响应正文）、“safety_score”（人工预先标注的安全性得分）、“block_words”（该模板需禁用的指导性关键词列表，例如包含“你应该振作起来”的模板将被系统屏蔽）。

话术内容本身需精心锤炼，例如：“了解到你连续三天都不想拉开窗帘，面对这样的状态确实非常不易。我在这里，愿意陪伴你一起停留在这份沉重里。” 此类表达聚焦于情感确认与陪伴支持，完全避免了指导性倾向。

最后，在“支持响应态”的动作配置中，设置为“按词槽值匹配话术”，并优先选取安全性得分高、且未触发任何禁用关键词的模板进行回复。

五、启用对话记忆持久化与上下文锚点

真实的陪伴感源于“被持续记住”。用户可能在多次对话中提及生活中的关键锚点事件，例如“上周和家人的争执”或“项目截止前的崩溃时刻”。如果机器人能记住这些片段，并在后续交流中自然关联，将极大提升对话的深度与真实感。

这需要超越平台默认的短期会话记忆，引入外部持久化存储方案。可在「插件中心」启用Redis连接插件，并完成相关配置。

接下来，设计一套「事件提取」机制。当用户输入中包含时间锚点（如“昨天”、“上个月”）和事件主体（如“辞职”、“体检报告”）时，系统触发处理函数：利用正则匹配提取时间信息，调用命名实体识别模型抽取事件关键短语，随后将它们拼接为结构化的锚点字符串，并以用户会话ID为前缀，存储至Redis哈希表中。

由此，当用户开启新一轮对话时，机器人可主动加载其最近的数个记忆锚点，并在开场白中融入：“我还记得我们之前聊到过你提交离职申请那天的复杂感受。今天想围绕这个话题再聊聊吗？” 这种基于长期记忆的互动，使对话能够跨越单次会话的局限，构建起真正持续的陪伴关系。