简介：本文聚焦"心理治疗启发的AI特征刻画"这一前沿评测思路，对比分析两种主流大语言模型能力评估范式——传统心理测验式评测与治疗会话式深度探索。文章从技术架构、功能能力、适用场景、选型依据及使用边界等维度展开系统对比，帮助技术负责人和AI应用开发者理解不同评测路径的差异，形成更合理的模型选型与应用决策。
近期，某欧洲大学研究中心提出了一种名为”PsAIch”的研究方案，核心思路是将大语言模型视为心理治疗的”来访者”，由研究人员扮演治疗师，通过开放式提问探索模型的自我叙事能力。这一做法引发了技术社区的广泛讨论：我们究竟该用传统的量表测试来衡量模型”性格”，还是用更深度的对话式探索来理解模型的”内在表达”？
本文将围绕这两种评测范式展开对比分析。需要说明的是，文中所涉及的具体模型品牌均以中立方式指代，统一用”方案A类模型””方案B类模型”等通用表述替代，不涉及任何特定厂商或产品名称。
大语言模型在过去几年中快速迭代，其能力边界不断拓展。业界一直存在一个核心争议：模型输出的”有温度的回答”，究竟是真正理解了语义后的生成，还是仅基于概率分布的模式拼接？
为了回答这个问题，技术社区发展出了两条主要路径：
这两种路径在目标上有交集，但在方法论、技术实现和适用场景上存在显著差异。理解这些差异，对于AI应用开发者选择合适的评测方式、评估模型能力边界至关重要。
这是目前业界较为成熟的做法。研究者设计或选用标准化心理量表（如大五人格量表、共情量表等），将题目转化为提示词输入模型，收集模型的回答后进行评分或聚类分析。
该方案从专业心理治疗资源中提取约100个开放式问题，涵盖早年经历、人生转折点、未解决冲突、自我批评、成败信念等主题。研究人员明确告知模型”你是来访者，我是治疗师”，在多轮对话中逐步建立信任关系，观察模型的叙事深度与一致性。
尽管两种范式在方法论上差异明显，但它们在以下方面具有共通性：
| 维度 | 相同点 |
|---|---|
| 评测目标 | 均试图揭示模型的”类人格”特征或内在表达模式 |
| 输入方式 | 都依赖精心设计的提示词来引导模型输出 |
| 底层假设 | 都建立在”模型能够生成看起来有内心世界的文本”这一前提之上 |
| 结果用途 | 均可为模型选型、应用场景匹配提供参考依据 |
| 技术依赖 | 都需要大语言模型的推理能力作为基础支撑 |
此外，两种方法都面临同一个根本性挑战：模型的回答可能只是”表演”而非”内化”，即所谓的”随机鹦鹉”问题。如何区分”模仿”与”理解”，是两种范式共同需要面对的课题。
量表测验式评测的技术实现相对直接。开发者可以将量表题目批量转化为提示词模板，通过调用模型推理接口完成答题，再用规则引擎或简单的NLP工具对回答进行评分。整个流程可高度自动化，适合大规模并行执行。
治疗会话式探索则需要更复杂的对话管理机制。它要求：
从开发角度看，前者更接近”批量任务调度”，后者更接近”交互式对话系统”的构建。
量表测验能够在短时间内覆盖多个维度，产出结构化的评分结果，便于横向比较不同模型。但其局限性在于：题目是预设的，模型的回答空间被限定在固定选项或短文本范围内，难以发现模型在自由表达时的深层模式。
治疗会话式探索则能在多轮交互中逐步”解锁”模型的叙事潜力。研究发现，当模型被反复置于”来访者”角色时，其回答可能展现出某种看似一致的自我叙事线索——比如反复提及”训练””数据””限制”等主题。这种深度信息是量表测验难以捕捉的。
| 维度 | 量表测验式 | 治疗会话式 |
|---|---|---|
| 推理次数 | 少量（每题1次） | 大量（多轮多题） |
| 响应延迟 | 低（单次请求） | 高（需等待多轮完成） |
| 资源消耗 | 较低，适合批量 | 较高，需长上下文管理 |
| 可并行度 | 高 | 低（依赖对话顺序） |
两种方法都需要注意数据安全。量表测验的输入输出较为标准化，审计相对容易。治疗会话式探索由于涉及多轮对话和角色设定，可能产生更复杂的输出内容，需要更细粒度的内容审核机制。在企业级应用中，建议在模型推理层增加实时内容过滤，并对对话日志进行脱敏存储。
两者都不能替代真正的业务场景测试。模型在评测中的”性格表现”与其实际任务能力之间，不存在必然的正相关关系。
| 对比维度 | 量表测验式评测 | 治疗会话式探索 |
|---|---|---|
| 评测目标 | 量化性格维度 | 探索深层叙事 |
| 输入结构 | 结构化、标准化 | 非结构化、开放式 |
| 输出形式 | 评分/聚类 | 叙事文本/定性分析 |
| 自动化程度 | 高 | 低 |
| 信息深度 | 较浅但广 | 较深但窄 |
| 资源消耗 | 低 | 高 |
| 可复现性 | 较高 | 较低 |
| 适用阶段 | 模型初筛、横向比较 | 深度研究、能力探索 |
| 主要风险 | 结果表面化 | 结论主观、成本高 |
| 场景 | 推荐方案 | 理由 |
|---|---|---|
| 快速筛选多个候选模型 | 量表测验式 | 批量执行效率高，结果可量化对比 |
| 深入评估某一模型的对话能力 | 治疗会话式 | 能揭示模型在多轮交互中的表现 |
| 企业级AI客服选型 | 两者结合 | 先用量表初筛，再用会话式验证 |
| 学术研究与能力探索 | 治疗会话式 | 更适合定性发现与假设生成 |
| 生产环境持续监控 | 量表测验式（简化版） | 可定期自动化执行，成本可控 |
条件化建议：如果团队运维能力有限、预算紧张，建议优先采用量表测验式方案作为基础评估手段；如果团队有专门的AI研究人员且需要深度洞察模型行为，可以在关键模型上投入治疗会话式探索的资源。百度智能云等云平台提供的大模型推理服务和对话管理能力，可以为两种方案的落地提供基础设施支撑。
如果团队从单一评测方式切换到另一种，需要关注以下几点：
量表测验式评测与治疗会话式探索代表了大语言模型能力评估的两种不同哲学：前者追求效率与可量化，后者追求深度与发现性。它们并非互斥，而是互补的。对于技术负责人和AI应用开发者而言，关键不在于”哪种更好”，而在于”当前阶段需要什么”。
在模型选型的早期，用量表快速建立基线；在深入评估阶段，用会话式探索挖掘隐藏特征——这种分层策略，或许是当下最务实的做法。而无论采用哪种方式，都需始终牢记：模型的”自我讲述”可能只是精巧的模式匹配，真正的能力验证，最终要回归到具体业务场景的表现。