我造了个“虚拟来访者“陪咨询师练手，并用数据验证它演得像不像

从今天觉醒,技术赋予每一个人数字生命

我造了个"虚拟来访者"陪咨询师练手，并用数据验证它演得像不像

心理咨询新手的培训里有个绕不开的环节：角色扮演。学员需要一个"来访者"反复练习开放式提问、倾听、情感反映。但真人扮演有三个老问题：约不到人、演得不稳定、新人出错时有心理负担。不解决的代价很直接——新手把第一位真实来访者当成了练习对象。

先看一段我在本地跑出来的效果：

咨询师：最近睡得怎么样？
虚拟来访者：嗯……不太好。躺下来脑子就停不下来，老想着周五汇报搞砸了怎么办。
咨询师：听起来你对这次汇报挺紧张的。

语气、犹豫感已经有点意思了。但"像不像"不能靠感觉，得用数据说话。

学完这篇文章你能：

一、方案设计：为什么是"本地量化模型 + 模式标注"

整体拆成三个模块：虚拟来访者（LLM + 人设 Prompt）、标注器（把咨询师每句话分类）、统计分析（两组分布对比）。

选型理由：

• 本地开源模型：咨询对话高度敏感，数据不能出本机，这是硬约束。早期类似实验用的是 Mixtral 8x7B 的 4-bit 量化版，如今同等显存下可以跑更新的 8B 级模型（如 Qwen3 系列），Q4 量化后约 5GB，一张 12G 的消费级显卡或 Mac 都够。
• Prompt 而非微调：来访者人设用几百字的系统提示词就能立住八成，微调需要大量标注语料，投入产出不划算。

明确放弃的方案：规则脚本机器人——真实来访者不会按剧本走，脚本bot练不出倾听能力，这正是要解决的痛点本身。

二、核心实现

环境：Python 3.10+，Ollama，pip install "openai>=1.50" pandas scipy，然后 ollama pull qwen3:8b。

2.1 最小可运行的虚拟来访者

# sim_client.py
import re
from openai import OpenAI

client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")
MODEL = "qwen3:8b"

PERSONA = """你扮演心理咨询模拟中的来访者"小林"，26岁，因工作压力失眠、自我怀疑三个月。
必须遵守：
1. 口语化，允许犹豫（"嗯……""其实我也说不好"）；
2. 单次回复不超过3句话，禁止列表和分点；
3. 绝不主动总结、绝不提建议、绝不像咨询师那样反问；
4. 开放式问题才展开，封闭式问题可以只答一两个字。"""

THINK = re.compile(r"<think>.*?</think>", re.S)

def client_reply(history, counselor_says: str) –> str:
history.append({"role": "user", "content": counselor_says})
resp = client.chat.completions.create(
model=MODEL, messages=history, temperature=0.7, max_tokens=150)
text = THINK.sub("", resp.choices[0].message.content).strip()
history.append({"role": "assistant", "content": text})
return text

if __name__ == "__main__":
h = [{"role": "system", "content": PERSONA}]
while (s := input("咨询师: ")) not in {"quit", "exit"}:
print("来访者:", client_reply(h, s))

成功标准：跑起来后来访者回复口语化、不超过3句、不反客为主。

2.2 句子级沟通模式标注器

把咨询师的每句话归到一个类别，用同一本地模型、few-shot + 零温度保证可复现：

# labeler.py
import json, re
from openai import OpenAI

client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")
LABELS = ["开放式提问","封闭式提问","情感反映","内容复述","总结","建议","鼓励性回应","其他"]

TEMPLATE = """把咨询师的话归入且仅归入一类：{labels}。只输出JSON：{{"label":"…"}}
示例："能多说一点当时的情况吗？"→{{"label":"开放式提问"}}
"你当时是不是特别难受？"→{{"label":"情感反映"}}
"你可以试试睡前冥想十分钟。"→{{"label":"建议"}}
待标注："{s}"→"""

def label_sentence(s: str) –> str:
resp = client.chat.completions.create(
model="qwen3:8b", temperature=0,
messages=[{"role": "user", "content": TEMPLATE.format(labels="/".join(LABELS), s=s)}])
m = re.search(r"\\{.*\\}", resp.choices[0].message.content, re.S)
try:
lb = json.loads(m.group()).get("label", "其他")
except Exception:
lb = "其他"
return lb if lb in LABELS else "其他"

def split_sentences(text: str):
return [x.strip() for x in re.split(r"[。！？!?\\n]+", text) if x.strip()]

2.3 分布对比与统计检验

# analyze.py
import pandas as pd
from scipy.stats import chi2_contingency

def compare(rows): # rows: [{"group": "human"/"llm", "label": …}, …]
ct = pd.crosstab(pd.DataFrame(rows)["group"], pd.DataFrame(rows)["label"])
pct = ct.div(ct.sum(axis=1), axis=0).round(3)
chi2, p, _, _ = chi2_contingency(ct)
return pct, p

2.4 踩坑记录（三个都是真踩过的）

• 坑1：bitsandbytes 4-bit 在 Windows 上装到天荒地老。 最初学着论文做法用 transformers + bitsandbytes 做 4-bit 量化，版本矩阵对不上直接 CUDA 报错。排障：换 Ollama 的官方 Q4 量化模型，一条 ollama pull 解决，量化质量足够教学场景使用。
• 坑2：模型输出夹带"思考标签"，且人设会漂移。 新一代思考型模型会在回复里混入 <think>…</think>；另外聊到 15 轮以后，来访者开始条理清晰地自我总结——真人来访者恰恰不会这样。排障：正则剥离思考标签（上文代码已含）；每 8~10 轮把 PERSONA 重新注入一次对话历史；"不超过3句话"的规则能砍掉大部分漂移。
• 坑3：标注器分不清"内容复述"和"情感反映"。 裸 Prompt 时这两类互相误判率很高。排障：few-shot 里各加一条对比示例 + temperature=0；再抽 50 句人工核对，一致率从约 70% 提到 84%，剩下的误差在分析时如实报告，不藏着。

三、效果验证：数据说明什么

我各跑了 10 段对话（真人对照组来自同学互扮的转写文本），咨询师语句共约 400 句，标注后分布如下（演示性质的小样本，结论不外推）：

卡方检验 p < 0.05，两组分布差异显著但结构相似：主体都是开放式提问和情感反映，说明 LLM 来访者能撑起核心训练场景；差异在于——LLM 来访者表达更流畅完整、几乎不沉默，新手更容易连续追问、给建议也更顺口，而面对真人时的"鼓励性回应"更多，因为真人会卡壳、会冷场。这与更大样本研究里观察到的方向一致：相似与差异并存。

复现步骤：① 安装依赖并拉取模型；② 跑 sim_client.py 录 10 段对话存成文本；③ 用 labeler.py 逐句标注两组语料；④ 调 compare() 看分布和 p 值。

四、边界与演进

局限性必须说清楚：LLM 来访者不会真正抗拒、崩溃或长时间沉默，所以危机干预这类高风险训练不能用它；标注器本身有约 15% 的误差，所有结论都建立在这个噪声之上；小样本演示不能替代正式实验。

下一步优化方向：建一个来访者人格库（焦虑型、回避型、防御型）；加人设一致性监控自动报警漂移；用更强的云端模型（如 GPT-5.5、DeepSeek 4.0 Pro 这类当前主流大模型）跑对照组，看模型能力对"演技"的影响。核心问题始终是那一个：虚拟来访者演得够不够像，得像这篇文章一样，拿数据出来说话。