心理健康障碍影响全球数亿人，但专业咨询资源极度匮乏。AI 对话系统提供了可扩展的替代方案，但现有模型面临两大瓶颈：其一缺乏双向理解，难以捕捉情感表达的层次结构，尤其在“渐进披露”情境下，来访者往往先呈现表层症状，随后才透露深层创伤；自回归（AR）模型只能顺序处理信息，无法在后续出现新证据时修正早期判断。其二难以有效整合临床推理背后的关系知识。为此，本文提出 BiGraph-Diffuse，首个面向咨询领域的大规模扩散语言模型，并设计 BiGraph‑RAG——一种无需显式关系的图结构检索策略，仅依赖轻量实体抽取和语义链接，实现从可观察症状到潜在原因的推理路径，并在索引阶段实现零 LLM token 开销。扩散模型提供全局双向上下文，使系统在渐进披露过程中能够延迟做出结论；图检索则捕获临床知识的结构化关联，两者相互强化。大量实验验证了 BiGraph‑Diffuse 的有效性，且本文给出了支撑其设计的理论分析。
点评