线上直播丨上海交大发布大模型Agent心理诊所,可初诊抑郁症

Agent应用如何撰写角色指令 ——【Agent】角色指令设计攻略 【Agent】角色指令设计攻略:角色设定万能公式 = 角色设定 + 使用场景 + 工具 + 限制 + 输出样式(附加:+例子) 阅读详情

fb65ec1b94e9144e4984cab38358f899.png

Meet AI4S 系列直播第四期将于 10 月 28 日 19:00 准时上线!我们邀请到了上海交通大学跨媒体语言智能实验室博士生兰焜耀,他的分享主题为「基于大模型 Agent 的精神健康问诊和咨询平台」。

在当今社会的快节奏生活下,人们对于心理健康的关注度也在持续提升。然而,如今的心理健康医疗资源明显不足,尤其是在低收入和中等收入国家。同时,相关医疗资源的分布也主要集中在城市和大型机构,这种分配不平衡导致大量饱受抑郁障碍等精神障碍折磨的患者,难以及时获取相应的医疗辅助。

针对于此,上海交通大学 X-LANCE 实验室吴梦玥老师团队与德克萨斯大学阿灵顿分校 (UTA)、天桥脑科学研究院 (TCCI) 和 ThetaAI 公司一同合作,搭建了一种自动化大模型对话 Agent 模拟系统——智能体心理诊所 AMC (Agent Mental Clinic),用于抑郁症的初步诊断。这一系统可以同时模拟精神科医生和潜在抑郁症患者,并模拟抑郁症问诊对话。

在第四期 Meet AI4S 直播中,HyperAI超神经邀请到了本研究论文的第一作者,上海交通大学跨媒体语言智能实验室博士兰焜耀,他将以「基于大模型 Agent 的精神健康问诊和咨询平台」为题,为大家详细介绍智能体心理诊所 AMC 的设计思路、技术亮点等干货内容。

值得一提的是,目前智能体心理诊所 AMC 的 Demo 仍未正式上线,兰焜耀博士将在本次直播中首次为大家展示这个基于 Agent 的心理健康对话平台,参与直播的观众还有机会获得 Demo 的抢先体验权限,快来预约观看直播吧!

点击预约直播:

扫码备注「AI4S」加入讨论群 ⬇️

4ea92b1ea7450366921dfd5f53482bee.png

嘉宾介绍

2e4398dbcabb2396f901769b10c8b0f3.jpeg

兰焜耀

上海交通大学跨媒体语言智能实验室

博士

分享主题

基于大模型 Agent 的精神健康问诊和咨询平台

内容简介

本课题组提出了「大模型 Agent 心理诊所」,旨在构建一个基于 Agent 的心理健康对话平台,通过模拟患者和精神科医生之间的对话,使平台内的大模型智能体自我进化,优化表现效果。

项目设计了一个包含三级记忆结构的精神科医生智能体,并配备了对话控制和反思插件,充当「监督者」,同时改进了常用的记忆采样模块,同时利用现实场景采集到的抑郁症问诊数据集初始化患者 Agent,为模拟患者的构建提供了充足的事件信息。通过模拟病患对话的聊天在抑郁风险和自杀风险诊断方面实现了更高的准确率。

观众获益

1. 讨论大模型智能体在自我迭代进化中的困难与挑战

2. 在大模型智能体心理诊所的 Demo 正式上线前,获得 Demo 的抢先体验权限

3. 了解角色扮演智能体在现阶段前沿研究的结果和未来的发展方向

论文回顾

HyperAI超神经此前曾解读分享了兰焜耀博士为第一作者的研究论文「Depression Diagnosis Dialogue Simulation: Self-improving Psychiatrist with Tertiary Memory」。

* 点击查看详细报道:Agent 心理诊所上线!基于 1.3K 抑郁症问诊对话,上海交大团队搭建大模型对话 Agent,可初诊抑郁症

研究亮点

* 搭建了一个新型的对话 Agent 模拟系统,模拟患者 Agent 和精神科医生 Agent 之间的诊断会话,为培训实习精神科医生和初步筛查潜在抑郁症患者提供了有效的新方法。

* 提出创新的三层式记忆结构和记忆检索模块,增强 Agent 在诊断阶段总结技能,为未来在抑郁症诊断和对话模拟的优化提供全新的方向。

* AMC 系统在抑郁症诊断和自杀预测方面都有提升,且该框架可应用于其他特定领域,适合有限标注案例的训练。

基于 D4 数据集,经专业医生核验

D4 数据集是由吴梦玥老师团队采集并经过专业医生质量核验的。

研究人员一共搜集了 1,339 段满足质量的对话用于组建抑郁症问诊数据集 D4,抑郁症程度分为无(430 段对话),轻度(342 段对话),中度(368 段对话),和重度(199 段对话)四个大类,平均对话轮数为 21.6 轮。之后,吴梦玥老师团队提出 SEO 抑郁症症状诊断标注框架对 D4 数据集进行了标注。

6 大步骤实现问诊

1. 利用基于 D4 采集到的由 GPT-4 生成的患者画像初始化一批患者 Agent。其中抑郁障碍的诊断结果在患者的问诊的过程中不会提供给患者 Agent。

2. 患者 Agent 和精神科医生 Agent 进行抑郁症问诊聊天。

3. 在第二步的过程中,指导员插件会根据对话的进行追踪患者提及的症状并提供下一步的对话建议给精神科医生 Agent。

4. 在问诊对话结束后,指导员插件比较精神科医生 Agent 最后对患者的诊断结果和 D4 中存储的真实医生的诊断结果。

5. 指导员插件将根据诊断结果的比较,总结出提供给精神科医生 Agent 的指导意见,并将其提供给精神科医生 Agent。

6. 结束一次问诊流程后,精神科医生呼唤下一个患者 Agent 来进行诊断,重复这一流程。

d22ce7ba046681f0bf7d450edc1179ff.png

AMC 系统运作流程,6 大步骤完成自动化问诊

上海交大 X - LANCE 实验室

1744f741ce60c0d38c963da8f24e4bd8.png

上海交大 X - LANCE 实验室全称为上海交通大学跨媒体语言智能实验室,成立于 2012 年,前身是智能语音实验室 (SpeechLab),经过多年发展,成为了涵盖视听文语言信息处理核心各研究领域的「跨模态语言智能实验室」。

目前,跨媒体语言智能实验室的教师组有 1 位教授、4 位副教授和 1 位科研助理,拥有超 20 名博士研究生,超 30 名硕士研究生,还包括 ACM 班、AI 班、IEEE 班、电院 CS 等专业、巴黎卓越工程师学院、密西根学院等的超 30 名本科生。

实验室获得了包括国家重点研发计划、自然科学基金委优秀青年科学基金在内的诸多国家和企业项目支持。实验室与思必驰科技股份有限公司深度合作,成立了「上海交通大学思必驰智能人机交互联合实验室」。实验室可调动丰富的数据资源以及多达数百块 H800、A800、A10 等 GPU 卡的丰富计算资源,是国际上极少数可以进行产业级大尺度数据分析和研究的人工智能实验室之一。

欢迎心理学背景以及对计算心理健康感兴趣的同学加入研究~


实验室主页:

https://x-lance.github.io/zh/

Meet AI4S 系列直播

HyperAI超神经 (hyper.ai) 是中国最⼤的数据科学领域搜索引擎,聚焦 AI for Science 的最新科研成果,实时追踪 Nature、Science 等顶级刊物的学术论文,至今已完成近 200 篇  AI for Science 论文的解读。

此外,我们还运营了国内唯一 AI for Science 开源项目 awesome-ai4s。

* 项目地址:

https://github.com/hyperai/awesome-ai4s

为了进一步推进 AI4S 的普适化,将学术机构的科研成果进一步降低传播壁垒,分享给更广泛的行业学者、科技爱好者及产业单位,HyperAI超神经策划了「Meet AI4S」视频栏目,邀请深耕 AI for Science 领域的科研人员或相关单位,以视频的形式分享研究成果、方法思路,共同探讨 AI for Science 在科研进展及推进落地过程中面临的机遇和挑战,促进 AI for Science 的科学普及和传播。 

到目前为止,我们已经成功举办了 3 期 Meet AI4S 直播,覆盖地理信息科学、生命科学、蛋白质工程领域。

欢迎高效课题组及研究机构共同参与到我们的直播活动中!扫描二维码添加「神经星星」微信,了解详情↓

989af94278d99553898f710974c2e659.png

 往期推荐 

‍8436f5e04ef51a60988e0ce37f6e82ad.png

a15e5aadda1a2e9dd636c6e4323db729.png

b60a6f65e10e02b8d052fcd8eef95396.png

a151efa862c22e9de39f36e728d9561e.gif

34531168fd52256ebb618c5d5ca9081c.gif

戳“阅读原文”,免费获取海量数据集资源!

AI Agent在心理健康领域的应用:情绪支持与干预 情绪调节模块的核心是构建一个循环神经网络(RNN),用于根据用户的情绪状态生成相应的情绪调节策略。通过上述最佳实践、注意事项和未来展望,我们希望能够为心理健康领域的AI Agent应用提供有益的指导和建议,推动这一领域的持续发展。通过详细的分析和实例,我们旨在展示AI Agent如何通过情绪识别和情绪调节算法,为心理健康提供有效的技术支持。情绪支持的基本原理是建立信任关系,理解个体的情感需求,并提供相应的支持和建议。情绪干预是指通过特定的方法和手段,调节个体的情绪状态,以改善心理健康。 阅读详情

相关推荐

电视剧角色扮演AI Agent中的大模型操作流程

文本向量化(Embedding):角色知识检索 + 生成式回复。生成输入embedding。:意图识别 + 推理决策。:规则验证 + 奖励生成。发送任务判定Prompt。:轻松新增其他电视剧剧本。:角色回复高度符合原作。返回状态和NPC回复。

qq_36929638的博客 1136

抢先体验上海交大最新大模型Agent心理诊所!论文一作深度解读角色扮演Agent前沿进展

基于大模型 Agent 的精神健康问诊和咨询平台。

HyperAI超神经 1481

详解岭回归与L2正则化

最小二乘法存在不可逆和病态问题,导致解析解不可计算或不稳定,岭回归是一种有效的解决方法,以损失无偏性来换取稳定解, 本文介绍详细介绍了岭回归的基本原理,并从L2正则化角度来进行了解释。

Luoyingfeng的博客 1万+

大模型驱动的Agent在医疗领域的落地与应用

在人工智能技术快速发展的今天,大模型驱动的Agent正成为医疗领域智能化转型的核心驱动力。这类智能体并非简单的对话程序,而是以大型语言模型(LLM)为核心引擎,融合记忆能力、工具调用和自主规划三大核心能力的复杂系统。其本质可以概括为一个公式:AI Agent = 大模型 + 记忆 + 使用工具 + 自主规划。这种架构使得Agent能够像人类专家一样,在特定领域内完成从信息获取到决策执行的全流程闭环。从基础问答到深度决策的进化与传统AI系统相比,大模型驱动的Agent在医疗场景中展现出质的飞跃。

zuiyuelong的博客 2714

perftest实战:从零到一,精准评估RDMA网络性能

想象一下,两台服务器传输数据就像在同一个主板上交换内存,这种零拷贝、低延迟的特性,正是高性能计算、分布式存储等场景梦寐以求的。对于云环境用户,主流云厂商现在都提供RDMA实例(比如AWS的EFA、阿里云的eRDMA)。但要注意,不同机型支持的RDMA协议版本可能不同,这会直接影响测试结果的上限值。记得记录每次测试的BW average值,绘制成曲线图后,你可能会发现类似"阶梯状"的性能变化,这通常与网卡的DMA引擎设计有关。在云环境中,由于虚拟化层的影响,延迟会比裸金属高20-30%。

weixin_28700411的博客 212

AI智能体项目管理框架agent-pm:从原理到实战的多智能体协作指南

在人工智能和自动化技术快速发展的今天,多智能体系统已成为实现复杂任务自动化的重要技术路径。其核心原理在于通过任务分解、角色分配和状态管理,让多个AI智能体像人类团队一样协同工作,从而突破单个模型的性能边界。这种架构的技术价值在于将软件工程中成熟的项目管理方法论引入AI领域,显著提升了自动化流程的可预测性、可观测性和可复用性。在实际应用场景中,多智能体协作框架能够高效处理从代码开发、文档撰写到数据分析等一系列任务,尤其适合需要多步骤、多专业协同的复杂项目。本文聚焦的agent-pm框架,正是这一领域的典型实践

weixin_42533910的博客 714

《“精神健康大语言模型”:利用大语言模型通过在线文本数据进行精神健康预测》

精神健康问题在全球范围内对个人及社会构成了重大负担。据估计,超过20%的美国成年人在一生中至少经历一种精神障碍,而全球经济每年因抑郁和焦虑等精神健康问题损失约1万亿美元。因此,开发能够有效预测和监测精神健康状况的工具显得尤为重要。本文探讨了大语言模型(LLMs)在精神健康预测领域的应用潜力及其局限性。研究者们对多个大语言模型进行了全面的评估,考察了它们在不同精神健康预测任务中的表现,这些任务利用的是在线文本数据,例如社交媒体内容。本文的核心在于评估三种不同的方法:零样本提示、少样本提示和指令微调。

m0_59235945的博客 1240

【项目分享】RailTracker: 火车票务数据采集与分析

从12306使用爬虫爬取火车站及车次信息、火车票价 通过本项目,我们将带领访问者手把手完成火车票数据采集、数据清洗、数据集成、可视化的一整个流程!

zhushatong的博客 3345

医生Agent实战教程(非常详细),别再瞎喂数据看这篇就够了!

如果把近两年的大模型发展比作“加速跑”,那么这篇论文的开场就像直接指出:跑道快到头了。作者认为,当前大语言模型的扩展规律正遭遇一个越来越现实的瓶颈: 高质量人类语料接近枯竭,模型继续“吃数据”变得困难,这被他们概括为“数据墙”。在这种背景下,单纯依赖静态数据集做训练与评测,会让智能体长期停留在“模仿”和“记忆”的层面,而难以形成真正能在复杂环境里自我成长的能力。

Python_cocola的博客 412

华为OD机试双机位C卷-用户入网定期复评(C/C++/Py/Java/Js/Go)

华为OD机试(机考)双机位C卷 【用户入网定期复评】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【用户入网定期复评】。

qq_45776114的博客 837

【LangChain编程:从入门到实践】实现多模态代理

【LangChain编程:从入门到实践】实现多模态代理 关键词:LangChain, 多模态代理, 自然语言处理, 机器学习, 知识图谱, 对话系统, 代码生成, AI代理 1. 背景介绍 随着人工智

欢迎来到我的优快云空间!这里聚焦AI大模型应用实战,分享前沿技术、实战案例与开发经验。 581

Agent心理诊所上线!基于1.3K抑郁症问诊对话,上海交大团队搭建大模型对话Agent,可初诊抑郁症

经过采集和核验后,吴梦玥老师团队一共搜集了 1,339 段满足质量的对话用于组建抑郁症问诊数据集 D4,抑郁症程度分为无(430 段对话),轻度(342 段对话),中度(368 段对话),和重度(199 段对话)四个大类,平均对话轮数为 21.6 轮。此外,为了优化对话流程,指导精神科医生,AMC 还设计了一个指导员的角色,为精神科医生提供下一轮对话的指导,系统中的所有角色,都是既可以由真人扮演或由大模型实现。研究人员分别统计了在抑郁障碍和自杀倾向上的诊断准确率(类别均为无,轻度,中度,和重度)。

HyperAI超神经 1845

【数字IC刷题】华为海思数字IC笔试题(1)详细解析版

【数字IC刷题】华为海思数字IC笔试题(1)详细解析版

MoorePlus的博客 4221

手把手教你手搓智能导诊Agent(MVP版本)

通过Dify搭建Agent项目实践,抽时间写几篇系列文章简单分享下。本期以智能导诊为例展开介绍,如有任何想法或建议欢迎留言交流。逐步拆解“智能导诊 Agent”的完整方案,涵盖需求分析 → 功能模块设计 → 搭建Agent → 测试调整 → 部署上线完整流程,手把手教你手搓AI智能体-智能导诊 Agent

letsgogo7的博客 1628

windows版vCenter STS证书替换步骤说明

windows版vCenter STS证书,手动更新步骤

技术是手段,服务才是目的。开源与协作是创新的活水,而核心技术的自主可控是立足之本。身处黄金时代,唯持续学习,方能不惧变化。从使用者到创造者,中国技术的未来,正待你们接过火炬,走得更远、更稳、更好。 1043

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 226

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 399

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗?不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰:一个批量导出工具的价值,不在于“试三次”,而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后,它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载,AI导出鸭 在页面运行时建立旁路监听,捕获每一次分页请求返回的完整对话清单,包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是:导出不该是体力活,而应该是一次完整的、可预期的文件交付。注意:这里的“批量”指的是左侧列表里的多个独立会话,不是一条会话内的多轮对话。

laoyunsi的博客 246

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 502

河道漂浮物目标检测数据集

目标检测,yolo,河道漂浮物目标检测数据集

DL_data_set的博客 201

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 199

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 558

AI前沿日报 · 2026-11-04 | 祛魅时刻:Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读,数学能力提升依赖Python+50次迭代;②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程;③Nvidia开源Auto-Ontology自动知识图谱;④$800开源全域抓取机器人Stringman;⑤OpenAI悄然重开Codex训练开关引信任危机;⑥DeepMind发布Gemini 4 Argon机器人基础模型;⑦美国科技巨头隐性AI债务达3.2万亿美元,6个月增90%。

johnsong2009的博客 574

大模型 Embedding 与向量相似度详解

Embedding 解决的问题:计算机不懂文字,但懂数字│▼文本 → 向量(1024维浮点数数组)│▼相似度解决的问题:怎么判断两个向量(文本)有多接近│▼余弦相似度:看向量方向的夹角,越接近0°越相似│▼最终效果:语义搜索——理解意思,而非字面匹配一句话总结:Embedding 把文字变成数字,余弦相似度比较数字的方向,两者结合实现了"理解语义"的搜索。

T3165919332的博客 90

GPT-1 架构和计算细节

下面配合框图,对 GPT-1 的每个组件做公式展开 + 数值实例(配置:12 层 × 768,12 头,FFN 3072,词表 40478,共 117M 参数)。GPT-1 把翻译模型的编码器-解码器砍掉一半,只留解码器,然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异(框图中标 ★):h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 278
上一篇: 入选ECCV 2024!浙江大学联合微软亚洲研究院提出统一医学图像预训练框架UniMedI,打破医学数据异构化藩篱
下一篇: 诺奖和图灵奖双料得主坐镇,CuspAI种子轮融资高达3千万美元,致力于应对全球气候变化
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值