ESC-Skills: Entdecken und selbstentwickelnde Fähigkeiten für emotionale Unterstützungsgespräche

Zusammenfassung

Bestehende Systeme zur emotionalen Unterstützung in Gesprächen (ESC-Systeme) basieren hauptsächlich auf End-to-End-Antwortgenerierung oder grober Strategieüberwachung, was eine begrenzte Interpretierbarkeit und wenig Unterstützung für systematische Verbesserung der Fähigkeiten bietet. Wir schlagen ESC-Skills vor, ein fähigkeitszentriertes Framework, das ausführbare Fähigkeiten zur emotionalen Unterstützung entdeckt und selbst weiterentwickelt. Zunächst modellieren wir lokalisierte Unterstützungsinteraktionen als Interventionseinheiten (IUs), die die Zustands-Aktions-Ergebnis-Dynamiken zwischen den Zuständen der Hilfesuchenden, den Unterstützungsinterventionen und den emotionalen Veränderungen nach der Antwort erfassen. Auf Basis von IUs, die sowohl aus erfolgreichen als auch aus gescheiterten ESC-Dialogen extrahiert wurden, konstruieren wir die ESC-Skills-Bank, ein Repository ausführbarer Fähigkeiten zur emotionalen Unterstützung, das Interventionsanleitungen, Anwendbarkeitsbedingungen, erwartete Ergebnisse und potenzielle Risiken enthält. Um die Robustheit weiter zu verbessern, führen wir ein mehrprofiliges, selbstentwickelndes Verfeinerungsframework ein, in dem ein ESC-Agent mit verschiedenen simulierten Profilen von Hilfesuchenden unter SAGE-Evaluierung interagiert. Die resultierenden Interaktionsspuren werden analysiert, um fehlende Fähigkeiten, unsichere Interventionen und profilspezifische Fehlermuster zu identifizieren, die dann genutzt werden, um die Skills-Bank durch simulationsbasierte Verifikation zu verfeinern. Experimentelle Ergebnisse zeigen, dass ESC-Skills sowohl die Antwortqualität als auch die emotionalen Ergebnisse auf Dialogebene verbessert und gleichzeitig ein interpretierbareres und kontrollierbares Unterstützungsverhalten bietet. Wir werden den Code, die Prompts und die ESC-Skills-Bank unter https://github.com/aliyun/qwen-dianjin veröffentlichen.

English

Existing emotional support conversation (ESC) systems mainly rely on end-to-end response generation or coarse strategy supervision, offering limited interpretability and little support for systematic skill improvement. We propose ESC-Skills, a skill-centric framework that discovers and self-evolves executable emotional support skills. We first model localized support interactions as Intervention Units (IUs), which capture state--action--outcome dynamics between seeker states, support interventions, and post-response emotional changes. Based on IUs extracted from both successful and failed ESC dialogues, we construct the ESC-Skills Bank, a repository of executable emotional support skills containing intervention guidance, applicability conditions, expected outcomes, and potential risks. To further improve robustness, we introduce a multi-profile self-evolutionary refinement framework in which an ESC agent interacts with diverse simulated seeker profiles under SAGE evaluation. The resulting interaction traces are analyzed to identify missing skills, unsafe interventions, and profile-specific failure patterns, which are then used to refine the Skills Bank through simulation-based verification. Experimental results demonstrate that ESC-Skills improves both response-level quality and dialogue-level emotional outcomes while providing more interpretable and controllable support behaviors. We will release the code, prompts, and ESC-Skills Bank at https://github.com/aliyun/qwen-dianjin.