企业官网建设流程全解析

简介：面向青少年心理健康场景的AI情绪管理助手完整项目包，聚焦面部识别、语音识别、情绪动画生成与记录分析等功能模块，适用于学校心理辅导、家庭教育及青春期情绪管理产品原型开发等场景。压缩包为zip格式，共378个文件，大小约239.39MB；其中180个py为核心算法与交互逻辑代码，json/txt/yaml等用于配置与数据说明，mp4、wav、mp3等为演示录屏和语音样本，docx、pptx、pdf则提供项目介绍与文档材料，目录结构便于按模块查阅。已有126人学习下载。资源包含可运行源码、模型权重、情绪互动游戏与调节训练脚本，还附有情绪报告生成、数据记录分析及演示视频，能够帮助开发者快速理解从情绪识别到教育引导的完整链路，也为参赛展示或心理健康课题研究提供可直接参考的工程实现。

1. 当情绪识别从实验室走进青春期咨询室

一个初二男生连续一周回家不跟父母说一句话，家长用问卷量表测情绪，孩子填的全是「还好」；约心理咨询师，孩子坐在那儿低头玩手指，十分钟说了三句话。这时候如果有工具能「看见」他当下的情绪状态——不需要他配合表达，只需要镜头前坐五分钟，系统就能通过面部微表情和语音韵律判断他正处在烦躁、低落还是平静，并且把数据积累成趋势报告——很多沟通僵局就能找到切入点。这套基于 AI 情绪识别与互动体验的青春期情绪管理助手，做的就是这件事：用面部识别、语音识别做双模态情绪判定，生成情绪动画做低压力反馈，再把情绪记录、报告、互动游戏、调节训练串成一个完整闭环。适合青少年心理辅导机构、学校心理老师、家庭教育场景，也适合想搞情感计算落地的工程师拿来做二次开发。

2. 双模态识别架构与情绪维度建模：先别急着训模型

2.1 为什么选双模态而不是纯面部识别

青春期孩子是最不喜欢「被看穿」的一群人。你盯着他脸看三秒，他马上把表情收起来。纯面部识别方案在咨询室场景下有两个硬伤：第一，用户可能全程低头、侧脸、用手挡脸，面部检测直接失效；第二，青少年对表情的主动控制能力比小孩子强得多，心情很差也能挤出一个「没事」的假笑。所以这套资源把语音通道加进来，逻辑是：面部表情难伪装但容易丢，语音韵律相对难控制但容易被噪声干扰，两个通道互相补位。

双模态融合的实际作用是兜底。面部通道正常时，语音做复核；面部丢失时，语音单独扛起判定职责。这个设计跟工业界做多模态情感分析的主流思路一致——不是让两个模型打架选一个赢家，而是设计好各自的适用区间和降级策略。资源里把这条管线拆成了清晰的模块：视频流处理、音频流处理、特征提取、情绪分类、置信度融合、下游反馈，每个模块都留有独立调试的接口。第一次打开工程的人可能会被模块数量吓到，但真正跑通之后会发现，这种拆分恰恰是后面调参不失控的关键。

2.2 数据集选型与标注口径：大多是成年人，青春期样本是稀缺品

做情绪识别绕不开数据集。公开资源里常见的是 CK+、FER2013、AffectNet 这三类。CK+ 是实验室采集的，标注质量高、动作幅度标准，但场景单一、类别不均衡；FER2013 是网络图片集，48×48 灰度图，噪声大但胜在「真实世界的丑」；AffectNet 规模大、质量不错，商用前要仔细查授权条款。这套资源在文档里建议的组合是：训练主模型用 CK+ 做迁移学习的起点，用 FER2013 做数据增强对抗噪声，再自采一小部分目标场景数据做微调。

自采数据这一步建议不要省。公开数据集里 13～17 岁样本占比非常低，而青春期面部骨骼发育、皮肤状态都跟儿童、成人有明显差异。我见过一个团队用纯 FER2013 训练出的模型，在成人测试集上准确率 72%，一到初中教室里直接掉到 55%，原因就是训练分布里压根没有「少年脸」。资源里给的自采建议是：找 30～50 名志愿者，在教室、机房、走廊三种光照条件下各录两分钟自然对话，人工标注主要情绪段，作为独立测试集而不是训练集，专门用来验证模型在真实场景下的表现。

2.3 情绪维度建模：离散标签和连续值不是二选一

情绪建模有两种主流口径：离散类别和连续维度。离散类别就是常见的六大类——生气、厌恶、恐惧、开心、悲伤、惊讶，直观、好标注、适合做互动游戏触发；但缺点也很明显，真实情绪大多是混合的，一个孩子可能是「又生气又委屈」，硬塞进单标签就丢失了信息。连续维度用的是 Valence-Arousal 二维空间，Valence 是愉悦度（负到正），Arousal 是唤醒度（平静到激动），能描述混合情绪和强度渐变，但对非专业人士不直观。

这套资源的做法是两层都保留：模型内部输出概率向量和 VA 预估值，应用层根据场景选择用哪套。前端互动游戏、情绪动画用离散标签，因为用户需要「可理解」的反馈；趋势分析、报告生成用 VA 连续值，因为统计上连续值能看出「焦虑水平持续偏高」这类离散标签看不出的渐变趋势。标注时有一条硬规矩值得记住：只标主情绪，不标混合情绪。让标注员在六个类别里只选一个最突出的，混合情绪交给 VA 值去表达，这样标注一致性才能保证。

2.4 轻量化部署：导出 ONNX 再上设备

模型训练在 PyTorch 里做没问题，但真正跑到咨询室的普通电脑上，PyTorch 的动态图和显存开销是累赘。这套资源的工程目录里给了导出脚本，把训练好的表情分类模型转成 ONNX，再用 ONNX Runtime 做推理。这是一个值得养成的习惯：训练和推理分离，模型交付物是一个 .onnx 文件，不依赖训练框架。

import torch import onnxruntime as ort # 加载训练好的模型，切换到 eval 模式 model = EmotionCnn(num_classes=6) model.load_state_dict(torch.load("emotion_model.pt", map_location="cpu")) model.eval() # 构造一个 dummy 输入，形状跟训练时的输入一致 dummy_input = torch.randn(1, 3, 48, 48) # 导出 ONNX，opset 版本要跟 onnxruntime 匹配 torch.onnx.export( model, dummy_input, "emotion_model.onnx", input_names=["input"], output_names=["logits"], dynamic_axes={"input": {0: "batch"}}, opset_version=15 ) # 用 ONNX Runtime 验证导出结果 session = ort.InferenceSession("emotion_model.onnx") outputs = session.run(None, {"input": dummy_input.numpy()}) print(outputs[0].shape)

这段代码里有两个参数直接影响部署效果。opset_version 决定了算子兼容范围，15 这个版本对 CPU 设备支持最稳，老电脑不用折腾。dynamic_axes 把 batch 维设成动态，这样模型既支持单帧推理也支持批量回放测试。导出后建议用同一批测试集跑一遍 ONNX 和 PyTorch 的输出差异，误差应该在 1e-5 以内才算导出成功。这套资源把推理端全部基于 ONNX Runtime，单机 CPU 处理一个会话的实时识别完全够用，不需要 GPU。

3. 面部与语音识别落地：检测器、特征与阈值

3.1 人脸检测与关键点：MediaPipe Face Mesh 的工程用法

人脸表情识别第一步是拿到人脸关键点，MediaPipe Face Mesh 在这个场景下比 MTCNN 和 RetinaFace 更顺手，因为它直接给出 468 个三维关键点，省掉了自己写关键点对齐的环节，而且 CPU 上跑得很轻松。资源里的实现思路是：用 OpenCV 读视频帧，Face Mesh 出关键点，然后根据关键点截取眼部、眉部、嘴部区域送表情分类模型。

import cv2 import mediapipe as mp mp_face_mesh = mp.solutions.face_mesh face_mesh = mp_face_mesh.FaceMesh( static_image_mode=False, max_num_faces=1, min_detection_confidence=0.5, min_tracking_confidence=0.5 ) cap = cv2.VideoCapture(0) while cap.isOpened(): ret, frame = cap.read() if not ret: break rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) results = face_mesh.process(rgb) if results.multi_face_landmarks: landmarks = results.multi_face_landmarks[0] # 取左右眼、眉毛、嘴部关键点索引 eye_left = landmarks.landmark[33] eye_right = landmarks.landmark[263] mouth_curve = landmarks.landmark[13] h, w = frame.shape[:2] x, y = int(mouth_curve.x * w), int(mouth_curve.y * h) cv2.circle(frame, (x, y), 3, (0, 255, 0), -1) cv2.imshow("Face Mesh", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

min_detection_confidence 和 min_tracking_confidence 这两个参数别看默认值。检测置信度阈值建议维持在 0.5，调太高会导致侧脸或快速转头时直接丢帧；跟踪置信度可以适当放宽到 0.4。实际跑起来最容易翻车的不是阈值，而是关键点抖动——镜子反光、眼镜框、刘海都会让个别关键点在两帧之间跳几个像素，后端的表情分类就会跟着抖。常用的做法是对关键点坐标做移动平均平滑，窗口取 5 帧左右。

3.2 表情分类与 AU 编码：标签映射是第一个坑

Face Mesh 只负责定位，情绪判定还要靠分类模型。资源里给了两条路线：一是直接训练一个轻量 CNN 输出六个类别概率，二是先识别表情动作单元（AU，即 Facial Action Unit），再按 AU 组合映射到情绪类别。第二条路线更接近心理学研究的做法，AU 4 是眉毛下压、AU 12 是嘴角上拉，愤怒和开心在 AU 层面有明显差异；但 AU 标注数据难搞，工程上直接用分类模型更省事。

分类模型的输入不是整张脸，而是从 468 个关键点里切出的兴趣区域。这套资源用的是 48×48 灰度图，把眼睛、眉毛、嘴部区域缩放后拼接成一张图。这里有个域名坑：拼接后的图像分布跟完整人脸图差异很大，所以不能拿预训练的人脸表情模型直接微调，要重新跑一个训练流程。输出层用 softmax 出六个概率后，先别急着 argmax，性别差异和个体差异会导致同一个人在不同光线条件下面部信号不稳定，直接取最大概率会让动画角色像个神经质一样跳来跳去。

3.3 语音通道：去噪、基频提取与变声期问题

语音侧的特征提取资源里用的是 librosa，主要算三类特征：基频 F0（对应音高）、短时能量（对应响度）、语速估计。青春期孩子说话的特点跟成年人差别很明显：情绪激动时语速变快、F0 上扬；情绪低落时语速变慢、能量下降、句尾拖长。但提取 F0 之前，音频必须先做去噪和 VAD 语音活动检测，否则风扇声、空调声都会被当成语音信号。

import librosa import numpy as np # 读取音频段，sr 统一用 16000，降低计算量 y, sr = librosa.load("voice_segment.wav", sr=16000) # 用 pyin 算法提取基频，范围按青少年设置 70~400Hz f0, voiced_flag, voiced_probs = librosa.pyin( y, fmin=70, fmax=400, sr=sr, frame_length=512 ) # 过滤无声段，计算统计量 f0_clean = f0[~np.isnan(f0)] f0_mean = np.mean(f0_clean) f0_std = np.std(f0_clean) # 短时能量和语速粗略估计 rmse = librosa.feature.rms(y=y) energy_mean = np.mean(rmse) print(f"F0均值: {f0_mean:.1f}Hz, F0标准差: {f0_std:.1f}Hz, 能量均值: {energy_mean:.3f}")

pyin 的 fmin 和 fmax 是基频搜索范围，这个参数对青春期用户尤其敏感。成年男性 F0 大约在 85～180Hz，成年女性在 165～255Hz，但初中男生的变声期可以横跨 100～350Hz，女生的波动也比成年人宽。如果按成人标准设置，变声期男生的高音段会被当成异常值丢掉。资源里的做法是把这个参数做成可配置项，用户第一次使用时做一个 30 秒的「音高校准」录音，自动算出个人 F0 范围再写回配置。

3.4 ASR 文本兜底与双模态融合时机

语音通道除韵律特征外，还有一个兜底玩法：把音频段转成文字，做文本情感分析。这就是 ASR（自动语音识别）模块的角色。现代 ASR 引擎对中文的支持已经很成熟，多语种和方言口音的识别能力也比前几年强了不少，青春期孩子的口语化表达、语气词基本都能转写出来。

文本侧的情感判断重点看三类线索：情绪词（烦、烦死了）、否定词（不想、别管我）、停顿和重复。这套资源的融合策略是分两个阶段走：面部通道可用时，语音做复核，只输出「一致/不一致」信号，不一致时加权降低整体置信度；面部通道丢帧超过 30 秒时，语音单独输出标签，但置信度上限压低到 0.65。这样避免了一个通道完全主导导致系统性偏置。

4. 从情绪标签到动画反馈：映射表与交互触发逻辑

4.1 参数化表情动画：SVG 关键帧驱动

情绪判定出来了，怎么反馈给用户是本套资源最见功夫的地方。用一段文字弹窗说「检测到您很生气」是灾难性的，青春期用户只会想砸摄像头。这套资源用了一个在儿童心理产品里很常见的手法——把情绪做进卡通角色里，用参数化表情动画让角色「替用户表达」。SVG 定义脸部各个部位，通过 JavaScript 控制参数变化来产生动画。

const faceParams = { browAngle: 0, // 眉毛倾斜角度，负值内高外低 browRaise: 0, // 眉毛上抬程度 eyeOpen: 1.0, // 眼睑开度，1正常，0.3表示半闭 mouthCurve: 0, // 嘴角弧度，正向上扬，负向下压 pupilSize: 1.0 // 瞳孔大小 }; let current = { ...faceParams }; let target = { ...faceParams }; function setEmotion(emotion) { const map = { angry: { browAngle: -25, browRaise: 0.2, eyeOpen: 0.8, mouthCurve: -10, pupilSize: 0.7 }, sad: { browAngle: 20, browRaise: 0.1, eyeOpen: 0.5, mouthCurve: -15, pupilSize: 1.0 }, happy: { browAngle: 10, browRaise: 0.4, eyeOpen: 0.9, mouthCurve: 18, pupilSize: 1.1 } }; target = map[emotion] || faceParams; } function animate() { // 按每帧 0.08 的比例向目标值逼近，形成缓动效果 for (const key in current) { current[key] += (target[key] - current[key]) * 0.08; } updateFaceSvg(current); requestAnimationFrame(animate); } animate();

动画插值用的是简单的指数缓动，每帧向目标逼近 8%，大概 40 帧后视觉上进入稳定状态。这个 0.08 的系数是经验值：太大会让表情切换很生硬，太小球磨叽像慢动作。SVG 的优点在浏览器场景很明显——体积小、样式可控、动画流畅，不需要加载任何动画引擎。这套资源里角色是二维卡通风格，不追求写实，因为写实人脸表情会让用户产生「被监视」的不适感，卡通风天然的「非人感」反而能降低防御心理。

4.2 六大情绪到动画参数的映射规则

资源里把六大情绪映射成了一套可配置的表，不只是表情参数，还包括动画节奏和配色。愤怒时瞳孔缩小、眉角下压，动画节奏快，背景偏红；悲伤时眼睑半闭、嘴角下压，动画节奏慢，背景偏蓝；惊讶时眼睛睁大、眉毛大幅上抬，动画节奏急促但持续时间短。一整套映射做下来，情绪状态就变成了用户可以感知的视觉语言。

映射表里最容易被忽略的是「唤醒度对节奏的影响」。同样是开心，狂喜和窃喜的 Arousal 完全不同。给前端传参时不只传离散标签，还带一个 0~1 的强度值，动画插值速度直接跟强度挂钩。强度 0.9 的开心，眨眼频率快、角色轻微弹跳；强度 0.3 的开心，只是嘴角微微上扬。这个细节决定了动画是「替用户表达」还是「像个小丑在表演」。

4.3 互动游戏触发逻辑：先安抚、后游戏

互动游戏不是拿来奖励用户的，是拿来调节状态的。这套资源里的触发逻辑遵循「先安抚、后游戏」的排序：高唤醒负向情绪（比如愤怒、焦虑）先推呼吸引导或情绪命名，不做任何游戏；低唤醒负向情绪（比如低落）推轻度认知活动，比如情绪卡片配对；正向情绪推创作类游戏。这个排序背后是有情绪心理学依据的：高唤醒状态下直接上游戏会让用户把「愤怒」和「游戏奖励」建立关联，反而强化负向情绪的行为链。

资源里给了触发规则代码，每条规则就是一个简单的条件判断加上时长冷却。游戏时长有硬上限，每天累计超过 25 分钟自动切换到书写或绘画类表达活动，避免用户把情绪调节工具当成游戏机。

4.4 负向情绪的回应边界

青春期用户的负向情绪有一个特别容易踩的雷：劝他开心。系统识别到悲伤后如果动画角色跳出来说「别难过了，我们来玩个游戏吧」，用户只会觉得被冒犯。资源的做法是让角色先做「无评价陪伴」——安静的陪在屏幕里，说一句非常中性的「我在这里」，然后提供一个安全出口：可以是情绪命名（「你现在的感觉是不是愤怒」），可以是绘画涂鸦，也可以是「暂时不想说」的退出选项。

情绪动画生成在这个环节承担的是「容纳」（containment）功能。心理学里讲容纳，指的是当一个孩子情绪失控时，旁边有一个稳定的、不评判的存在能接住他的情绪。这套系统的动画角色就承担这个角色：情绪再激烈，角色的回应都是稳定的、缓慢的、可预测的。资源里专门有一条设计规范：任何情况下角色不允许表现出害怕、厌恶或躲避。这条规范写进了前端交互文档，比任何算法参数都重要。

5. 情绪记录、报告生成与调节训练：数据闭环才是价值

5.1 情绪事件的数据结构与本地存储

识别和反馈只是前三分之一，这套资源真正的价值在把情绪数据沉淀下来。系统把每一次识别判定记录为一条「情绪事件」，包含时间戳、六类概率分布、VA 值、置信度、来源模态、关联的游戏或训练活动、用户最终确认标签。存储用 SQLite，轻量、单文件、不需要单独部署数据库服务。

import sqlite3 import json from datetime import datetime conn = sqlite3.connect("emotion.db") conn.execute(""" CREATE TABLE IF NOT EXISTS emotion_events ( id INTEGER PRIMARY KEY AUTOINCREMENT, user_id TEXT NOT NULL, ts TEXT NOT NULL, emotion_label TEXT NOT NULL, prob_vector TEXT NOT NULL, valence REAL, arousal REAL, confidence REAL, source TEXT, activity_id TEXT, confirmed INTEGER DEFAULT 0 ); """) def save_event(user_id, label, probs, valence, arousal, confidence, source): conn.execute( "INSERT INTO emotion_events (user_id, ts, emotion_label, prob_vector, valence, arousal, confidence, source) VALUES (?, ?, ?, ?, ?, ?, ?, ?)", (user_id, datetime.now().isoformat(), label, json.dumps(probs), valence, arousal, confidence, source) ) conn.commit()

设计这张表时有两点是故意的：prob_vector 用 JSON 存六个概率，方便后续重新分析时用不同的聚合口径；confirmed 字段留给用户事后确认——用户可以在每天结束时浏览当天的情绪时间线，手动修正哪些标签「不像我」，这些修正过的样本就是最有价值的微调数据。存储层面有一条红线：只存特征、标签和统计量，不存原始人脸照片和音频片段。青春期情绪数据属于敏感个人信息，这套资源在这块的处理是「本地优先、特征替身」——原始数据用完即删，留存的数据不足以还原人脸。

5.2 周报统计口径与可视化输出

情绪记录积累之后就要产出报告。这个模块最大的坑是统计口径：直接按天数取平均值会被高频采样扭曲。一个孩子某天下午连续测了 30 次都是愤怒，这一天就会把整周数据拉爆。资源里给的口径是「有效识别时长内采样点按比例聚合」——先把一天切成 5 分钟一个窗口，每个窗口取主导情绪，然后按窗口占比统计。这样单次情绪波动不会被放大，长时间的情绪趋势才能显形。

可视化用 matplotlib 生成周趋势面积图和情绪分布饼图。面积图横轴是一周七天，纵轴是各情绪占比，重点看的是「愤怒面积连续三天不降」这类趋势信号；饼图看整体分布。报告按周自动生成，输出格式是图片加摘要文本，摘要文本由 LLM 辅助生成，但统计数字一律由程序计算，LLM 只负责把中性数字翻译成可读的语言——这个分工很重要，能避免模型瞎编数字。

5.3 调节训练内容组织：呼吸引导与认知重评

调节训练模块是这套资源里内容密度最高的部分。呼吸引导是最基础的，盒式呼吸 4-4-4-4 节奏：吸气 4 秒、屏息 4 秒、呼气 4 秒、停留 4 秒，动画角色用变化的气泡引导节奏。认知重评训练更进一步：把用户最近记录的情绪事件拿出来，给三种替代解释，让用户选择哪个更合理。这套资源里预置了一个场景库，场景全部来自青春期真实咨询案例脱敏改写，而不是通用成人场景。

训练和游戏的区别在于有没有「过程性反馈」。游戏只关注结果，训练关注用户在过程中的选择。资源里有一个「情绪日记」模块，每天结束时引导用户用语音说一段今天最强烈的感受，ASR 转写成文字，系统只做关键词标记不做内容评判。这个模块对 NLP 能力要求不高但情感价值很高——很多孩子不愿意写字但愿意对手机说话。

5.4 LLM 辅助报告评语的提示词设计

报告生成里 LLM 的角色要圈得很紧。提示词的设计直接决定报告会不会越界，这里给一段资源里实际使用的参考模板。

prompt = f""" 你是一个青少年心理关怀产品的报告辅助助手。 以下是本周情绪统计数据，请用 100 字以内写一段给家长看的综述。 要求： 1. 只描述统计事实，不做任何诊断或疾病推测； 2. 不使用「抑郁」「焦虑症」「心理障碍」等临床词汇； 3. 结尾必须加上「本报告仅基于情绪记录统计，不构成任何诊断」； 4. 语气平和中立，不渲染、不吓唬家长。 数据： 正向情绪占比：{pos_ratio:.1f}% 负向情绪占比：{neg_ratio:.1f}% 愤怒情绪连续天数：{angry_streak}天 平均唤醒度：{avg_arousal:.2f} """

这段提示词里最有价值的是负面约束而不是正面要求。「不使用临床词汇」和「不构成诊断」这两条直接决定了报告的合规边界，统计趋势是「这孩子上周生气比较多」，不可以说成「有攻击性倾向」。这套资源里把提示词写成了配置文件，换模型、换语气风格都不需要动代码。

6. 避坑记录：五类让情绪识别系统翻车的现场还原

6.1 光线偏暗时中性脸被识别成悲伤

现象：傍晚房间只开台灯，孩子面无表情坐在镜头前，系统连续报「悲伤」，动画角色开始播安慰语音，孩子一脸莫名其妙。

原因：表情分类模型在 FER2013 这类明亮数据集上训练，低照度下人脸纹理信息大量丢失，全局亮度下降被模型误判为情绪负向偏移。

解决：加一道光照补偿预处理，把平均亮度低于阈值的帧直接降权重；同时配置「低置信度流程」——光线不足时不触发具体情绪动画，只显示等待状态。后来我把光照检测做成了独立模块，亮度值低于 80 lux 直接走旁路。

6.2 变声期男生的基频被误判为激动

现象：一个 13 岁男孩平静说话时 F0 被提取到 280Hz，系统判定为「高唤醒」，反复推荐呼吸训练，用户不知道为什么。

原因：变声期男生声带发育不稳定，F0 横跨范围极大，按成人性别分组的音高模型完全不适用。

解决：把音高校准做成首次启动必做步骤，30 秒录音自动估算个人 F0 的合理区间，特征提取时用相对值而不是绝对值。从那以后我每接一个青春期项目，都会强制走一遍音高校准流程。

6.3 眼镜框反光导致关键点抖动

现象：戴眼镜的用户表情稳定，但动画角色呈现「抽搐式」表情切换，每隔几帧跳一次。

原因：MediaPipe Face Mesh 在镜框反光区域的关键点在两帧之间跳动，嘴部、眉部索引点的坐标不稳定，后续分类模型被喂入了异常输入。

解决：给关键点做移动平均平滑，窗口 5 帧，并剔除单帧超过 3 个像素的跳变；同时加一个「穿戴模式」开关，用户戴眼镜时降低跟踪置信度阈值、提高平滑强度。

6.4 低置信度强行出标签触发用户对抗

现象：用户发现系统总在「瞎猜」，开始故意对着镜头做夸张表情，系统给出错误反馈，用户更用力地做鬼脸，形成恶性循环。

原因：置信度 0.35 的时候也硬要输出一个具体情绪标签，产品逻辑上不允许「我不知道」，结果就是错误反馈摧毁了用户信任。

解决：设定双阈值——置信度超过 0.7 才输出具体情绪反馈，0.4～0.7 之间输出中性反馈，低于 0.4 不触发任何角色动作，只静默记录。低确定性状态下宁可没有反馈，也不能给错误反馈。

6.5 周报措辞越过非诊断红线

现象：一份周报摘要里出现了「您的孩子可能有抑郁倾向」，家长拿着报告要带孩子去医院。

原因：LLM 生成评语时没有做词汇约束，统计事实被模型扩写成了推测性诊断。

解决：在提示词里加入禁用词清单和硬性结尾要求，同时在代码层做一次输出文本的敏感词过滤，命中临床词汇直接降级为纯数据模板报告。情绪统计永远不等同于临床诊断，这条边界最终靠的是技术手段而不是模型自觉。

从那以后，我每次调完识别阈值、平滑窗口或提示词模板，都会拿一套固定的回放数据自动跑一遍回归，专门盯着这三类问题：误判、抖动、越界措辞。这套习惯帮我挡掉了至少三次上线后翻车。这套资源里的模块化拆法和置信度策略我用着顺手，希望帮到你。

本文还有配套的精品资源，点击获取