CATCH: A Novel Data Synthesis Framework for High Therapy Fidelity and Memory-Driven Planning Chain of Thought in AI Counseling

📄 arXiv: 2509.25733v1 📥 PDF

作者: Mingyu Chen, Jingkai Lin, Zhaojie Chu, Xiaofen Xing, Yirong Chen, Xiangmin Xu

分类: cs.CL

发布日期: 2025-09-30

备注: To be published in EMNLP 2025 Findings

💡 一句话要点

CATCH：用于AI咨询的高保真和记忆驱动规划链数据合成框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: AI咨询 数据合成 思维链 记忆增强 动态规划

📋 核心要点

  1. 现有AI咨询方法采用一次性生成对话样本，导致治疗保真度低，缺乏决策依据。
  2. CATCH框架通过渐进式对话合成和记忆驱动的动态规划，提升治疗保真度和逻辑连贯性。
  3. 实验结果表明，CATCH显著提高了AI咨询的保真度和逻辑连贯性，效果显著。

📝 摘要（中文）

本文提出CATCH，一种新颖的数据合成框架，旨在解决现有基于大型语言模型的AI咨询研究中，一次性生成多轮对话样本导致的治疗保真度低，以及未能捕捉每次回复背后的决策逻辑的问题。CATCH通过渐进式对话合成策略，从客户的自我报告中提取目标、资源和解决方案，将其组织成结构化大纲，并逐步生成与阶段对齐的咨询对话，从而提高治疗保真度。此外，CATCH还提出了记忆驱动的动态规划思维模式，该模式集成了记忆增强、全局规划和策略推理；一个协同的多智能体优化器利用MDP为每个对话轮次附加显式的思维链。大量的实验和人工评估表明，CATCH显著提高了AI咨询的保真度和逻辑连贯性。

🔬 方法详解

问题定义：现有基于大型语言模型的AI咨询方法主要采用一次性生成多轮对话样本的方式。这种方法的痛点在于，生成的对话缺乏对咨询过程的细致规划，导致治疗保真度较低，难以模拟真实咨询场景中咨询师的决策过程和逻辑推理。此外，现有方法通常忽略了咨询过程中对客户信息的记忆和利用，使得对话缺乏连贯性和针对性。

核心思路：CATCH的核心思路是分阶段、逐步地合成咨询对话，并显式地建模咨询师的决策过程。通过从客户的自我报告中提取关键信息，构建结构化的大纲，并根据大纲逐步生成对话，从而提高治疗保真度。同时，引入记忆机制和动态规划，模拟咨询师在咨询过程中对信息的记忆、推理和决策过程，从而提高对话的逻辑连贯性。

技术框架：CATCH框架主要包含两个核心模块：渐进式对话合成模块和记忆驱动的动态规划模块。渐进式对话合成模块负责根据客户的自我报告生成结构化大纲，并根据大纲逐步生成与阶段对齐的咨询对话。记忆驱动的动态规划模块负责维护一个记忆库，记录咨询过程中的关键信息，并利用动态规划算法，为每个对话轮次选择最优的策略，并生成相应的思维链。框架还包含一个协同的多智能体优化器，用于优化对话生成和策略选择。

关键创新：CATCH的关键创新在于：1) 提出了渐进式对话合成策略，通过结构化大纲和阶段对齐的对话生成，提高了治疗保真度；2) 提出了记忆驱动的动态规划思维模式，通过记忆增强、全局规划和策略推理，模拟了咨询师的决策过程，提高了对话的逻辑连贯性；3) 使用协同的多智能体优化器，将MDP与思维链结合，使得模型能够显式地推理和决策。

关键设计：在渐进式对话合成模块中，关键在于如何从客户的自我报告中提取关键信息，并构建合理的结构化大纲。在记忆驱动的动态规划模块中，关键在于如何设计记忆库的结构和更新机制，以及如何定义动态规划的状态、动作和奖励函数。协同的多智能体优化器采用强化学习算法，通过最大化累积奖励来优化对话生成和策略选择。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CATCH在AI咨询的保真度和逻辑连贯性方面显著优于现有方法。人工评估结果显示，CATCH生成的对话更贴近真实咨询场景，更具逻辑性和连贯性。具体性能数据未知，但摘要强调了“显著增强”和“大量实验和人工评估”的支持。

🎯 应用场景

CATCH框架可应用于开发更智能、更有效的AI咨询系统，为用户提供个性化的心理健康支持。该技术可以扩展到其他需要复杂推理和决策的对话场景，例如教育辅导、法律咨询等。未来，CATCH有望成为构建可信赖、有温度的AI伙伴的关键技术。

📄 摘要（原文）

Recently, advancements in AI counseling based on large language models have shown significant progress. However, existing studies employ a one-time generation approach to synthesize multi-turn dialogue samples, resulting in low therapy fidelity and failing to capture the decision-making rationale behind each response. In this work, we propose CATCH, a novel data synthesis framework designed to address these challenges. Specifically, to improve therapy fidelity, we introduce the Progressive Dialogue Synthesis strategy, which extracts goals, resources, and solutions from a client's self-report, organizes them into structured outlines, and then incrementally generates stage-aligned counseling dialogues. To capture decision-making rationale behind each response, we propose the Memory-Driven Dynamic Planning thinking pattern that integrates memory enhancement, global planning, and strategy reasoning; a collaborative multi-agent optimizer then leverages MDP to attach explicit chain-of-thought to each dialogue turn. Extensive experiments and human evaluations demonstrate that CATCH significantly enhances fidelity and logical coherence in AI counseling.