ESC-Skills: Descubrimiento y Habilidades Autoevolutivas para Conversaciones de Apoyo Emocional

Resumen

Los sistemas existentes de conversación de apoyo emocional (ESC, por sus siglas en inglés) dependen principalmente de la generación de respuestas de extremo a extremo o de una supervisión estratégica grosera, lo que ofrece una interpretabilidad limitada y escaso soporte para la mejora sistemática de habilidades. Proponemos ESC-Skills, un marco centrado en habilidades que descubre y auto-evoluciona habilidades ejecutables de apoyo emocional. Primero modelamos las interacciones localizadas de apoyo como Unidades de Intervención (IU), que capturan las dinámicas estado-acción-resultado entre los estados del buscador, las intervenciones de apoyo y los cambios emocionales posteriores a la respuesta. Con base en las IU extraídas tanto de diálogos ESC exitosos como fallidos, construimos el Banco de Habilidades ESC, un repositorio de habilidades ejecutables de apoyo emocional que contiene guía de intervención, condiciones de aplicabilidad, resultados esperados y riesgos potenciales. Para mejorar aún más la robustez, introducimos un marco de refinamiento autoevolutivo multiperfil en el que un agente ESC interactúa con diversos perfiles simulados de buscadores bajo la evaluación SAGE. Las trazas de interacción resultantes se analizan para identificar habilidades faltantes, intervenciones no seguras y patrones de fallo específicos del perfil, que luego se utilizan para refinar el Banco de Habilidades mediante verificación basada en simulación. Los resultados experimentales demuestran que ESC-Skills mejora tanto la calidad a nivel de respuesta como los resultados emocionales a nivel de diálogo, al mismo tiempo que proporciona comportamientos de apoyo más interpretables y controlables. Publicaremos el código, las indicaciones y el Banco de Habilidades ESC en https://github.com/aliyun/qwen-dianjin.

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.