2024：心理危机干预机器人实践，LoRA 微调如何兼顾效果与安全

我做过多个 LLM 项目，但青少年心理危机干预机器人是最需要敬畏感的一个。这个场景和普通问答不同，用户不是来查信息，而是来寻求支持与引导。系统如果只追求“回答流畅”，却缺少风险边界，实际会带来很大隐患。

技术选型：为什么是 Qwen2 8B + LoRA

我们选择 Qwen2 8B 作为底座模型，原因是能力和部署成本比较平衡。微调方式使用 LoRA，一方面训练门槛更低、迭代速度更快，另一方面可以在有限资源下反复验证数据策略。推理阶段采用 FP16，确保在可接受硬件成本下维持交互体验，前端用 Vue 搭建对话页面与风险提示流。

数据设计：从“问答对”到“干预路径”

我在数据侧重点做了重构，不是简单堆叠心理咨询语料，而是按干预目标构造样本：

1. 情绪识别：先识别当前情绪强度与变化趋势。
2. 风险分层：区分普通支持、重点关注、高风险应急。
3. 回应模板：保证语气稳定、表达克制、不给越权诊断。
4. 行动引导：在高风险阶段优先提供明确且安全的求助路径。

这套结构让模型输出更接近“可执行流程”，而不是“泛化安慰文本”。

安全机制：该说什么，更要定义不该说什么

项目里最关键的不是生成能力，而是边界管理。我们把输出分层治理：

• 普通场景允许支持性自由表达。
• 中风险场景增加固定安全提示模板。
• 高风险场景限制开放式生成，优先触发标准化应急引导。

同时在推理链路加入策略过滤，避免出现绝对化、误导性、带诊断结论的文本。换句话说，系统设计原则不是“尽量多给建议”，而是“在不确定时必须克制”。

项目启发

这个项目让我重新理解“微调”的价值。微调并不只是让模型更像人，而是让模型在特定业务里更一致、更可审计、更可回放。尤其在高敏感领域，算法工程师要承担的是系统责任，而不只是离线指标责任。

后来我把这套方法迁移到教育内容生成和 Agent 系统里，收益很直接：先定义风险边界，再做能力增强，系统整体稳定性会高很多。很多团队在 LLM 项目里容易陷入一个误区，只盯效果曲线，不盯治理曲线。短期看前者更亮眼，长期看后者才决定产品能否走下去。

这也是我在 2024 年最重要的工程认知之一：真正成熟的 AI 系统，不是最会说话的系统，而是最能负责的系统。