从模式识别器到个性化陪伴者：大模型心理健康综述的三阶段演化框架
核心概要
这篇综述围绕一个中心论点组织并分析了心理健康领域的大语言模型文献：其角色正沿三个阶段演进——第一阶段是被动的信息工具与模式识别器（用于评估与风险识别），第二阶段是共情对话者（单次会话内的即时互动），第三阶段是作为有状态认知智能体的纵向个性化陪伴者；并系统梳理了支撑这一路径的核心技术、智能体架构（画像、记忆、推理、规划、工具使用）、数据集与基准，指出该领域正从“一次性帮助”转向“长期陪伴”。
深度剖析
提出并贯穿全文的三阶段演化框架：第一阶段为被动的信息工具与模式识别器，第二阶段为共情对话者，第三阶段为纵向个性化陪伴者。 相较以往分别聚焦社交媒体障碍检测、单次会话心理治疗对话系统或生成式AI广泛应用的综述，本文以一条统一的演化叙事组织更大范围的文献。 属于综述性框架贡献，以文献组织与表格化判据（交互粒度、用户状态、记忆机制、个性化、自主性）支撑，而非单一实证结果。
系统梳理了推动这一演化的核心技术：领域预训练、监督微调（全量与参数高效两类）、强化学习对齐、推理时策略（提示工程、思维链、检索增强生成）以及多模态线索整合。 将这些方法明确对应到心理健康场景的特殊需求（临床效度、共情、安全），而非泛化的LLM技术应用。 以对具体系统与数据集的引用归纳为主，例如ProMind-LLM的领域持续预训练、LoRA/QLoRA在CBT与叙事疗法中的应用、Psyche-R1使用GRPO强化困难案例推理。
把第三阶段界定为架构层面的转变：从“更好的对话模型”转向具备画像、记忆、推理、规划与工具使用模块的有状态认知智能体。 将纵向陪伴的实现条件从数据检索问题重新表述为关系管理问题，即从“说过什么”转向“治疗旅程走向何处”。 以CA+的规划模块对齐长期目标、MusPsy的多会话CBT数据训练、iPET通过虚拟宠物模拟强化情感联结等系统为例证。
指出数据集与评测正随三阶段同步演化：从静态分类标签，到单会话对话语料，再到纵向与合成智能体交互数据；评测则从自动指标走向动态模拟与临床相关维度。 明确提出第三阶段面临“数据饥荒”，并归纳出合成数据生成从表层到认知层再到个性化真实感层的三级演进。 以表格化的数据集清单（如RSDD、UMD、ESConv、PsyQA、MusPsy、PsyDial等）与基准分类（安全合规、临床胜任力、动态模拟）为依据；同时指出合成数据在纵向一致性与情绪动态上与现实临床互动存在差距。
启示与展望
该综述面向希望把握领域全貌的研究者、系统设计者与关注临床落地的从业者，适用于在受控基准与模拟环境中理解心理健康大模型的发展脉络与架构选择；其框架意在解释从被动工具到有状态陪伴者的演化路径，并为后续的记忆机制、目标导向规划与临床对齐研究提供组织方式。
文中指出，当前系统大多依赖自动指标与专家评估等离线代理，真正在真实临床环境中面向患者人群的评估仍属少数；LLM-as-a-Judge与专家判断的一致性有限，需谨慎解读。合成数据在纵向一致性与情绪动态上与现实治疗存在结构性差距，可能带来分布偏移、回声室效应与文化同质化。多模态线索本身具有歧义性与情境依赖性，模型可能过拟合数据集伪影或依赖光照、背景噪声等偶然特征。此外，本次读取为全文文本，图表与部分表格内容以文字形式呈现，若需精确的数值对照仍需查阅原文图表。