经多智能体指令精炼迈向高效鲁棒的精神健康语言情绪诊断

抑郁、焦虑与创伤相关状态等情绪的语言表达普遍存在于临床记录、咨询对话和在线心理健康社区中，准确识别这些情绪对临床分诊、风险评估与及时干预至关重要。尽管大语言模型（LLM）在情绪分析任务上展现出强泛化能力，其在高风险、上下文密集的医疗环境中的诊断可靠性对提示设计高度敏感。此外，现有方法面临两个关键挑战：情绪共病——多种交织的情绪状态使预测复杂化——以及临床相关线索的低效探索。为应对这些挑战，我们提出 APOLO（Automated Prompt Optimization for Linguistic Emotion Diagnosis），一个系统探索更广、更细粒度提示空间以提升诊断效率与鲁棒性的框架。APOLO 把指令精炼形式化为部分可观测马尔可夫决策过程，并采用涉及 Planner、Teacher、Critic、Student 与 Target 角色的多智能体协作机制。在这一闭环框架中，Planner 定义优化轨迹，Teacher-Critic-Student 智能体迭代精炼提示以增强推理稳定性与有效性，Target 智能体基于性能评估决定是否继续优化。实验结果表明，APOLO 在领域特定与分层基准上持续提升诊断准确率与鲁棒性，展示了可信 LLM 应用于心理健康医疗的可扩展、可泛化范式。