当前基于大语言模型（LLM）的心理健康聊天机器人普遍缺乏同理心、上下文感知和安全防护，容易导致交互无效甚至有害。本文提出一种新框架，在模型推理前先进行情感与抑郁程度分析，并通过规则过滤机制筛除高风险输入。随后根据情感和风险信息动态生成提示，使模型回复在上下文相关性、同理心和风险意识上得到提升。
我们在四种模型策略上分别测试了两种提示工程变体，并使用同理心、帮助性、清晰度、相关性、安全性等定性指标以及 Perspective API 的毒性评分进行评估。实验表明，提示工程方案相较于 DSFT 提升 1.8%，相较于 RLAIF 提升 1.1%。
点评：该工作展示了通过情感感知与动态提示提升聊天机器人安全性和人文关怀的可行路径，为后续 LLM 在敏感领域的应用提供了参考。