ESC-Skills : Découverte et auto-évolution des compétences pour les conversations de soutien émotionnel

Résumé

Les systèmes existants de conversation de soutien émotionnel (CSE) reposent principalement sur la génération de réponse de bout en bout ou une supervision stratégique grossière, offrant une interprétabilité limitée et peu de soutien pour l'amélioration systématique des compétences. Nous proposons ESC-Skills, un cadre centré sur les compétences qui découvre et fait auto-évoluer des compétences de soutien émotionnel exécutables. Nous modélisons d'abord les interactions de soutien localisées sous forme d'Unités d'Intervention (UI), qui capturent les dynamiques état–action–résultat entre les états du demandeur, les interventions de soutien et les changements émotionnels post-réponse. En nous basant sur les UI extraites de dialogues CSE réussis et échoués, nous construisons la Banque de Compétences ESC-Skills, un répertoire de compétences de soutien émotionnel exécutables contenant des conseils d'intervention, des conditions d'applicabilité, les résultats attendus et les risques potentiels. Pour améliorer davantage la robustesse, nous introduisons un cadre de raffinement auto-évolutif multi-profils dans lequel un agent CSE interagit avec divers profils de demandeurs simulés sous l'évaluation SAGE. Les traces d'interaction résultantes sont analysées pour identifier les compétences manquantes, les interventions non sécurisées et les schémas d'échec spécifiques aux profils, qui sont ensuite utilisés pour affiner la Banque de Compétences via une vérification basée sur la simulation. Les résultats expérimentaux montrent que ESC-Skills améliore à la fois la qualité au niveau des réponses et les résultats émotionnels au niveau du dialogue, tout en offrant des comportements de soutien plus interprétables et contrôlables. Nous publierons le code, les prompts et la Banque de Compétences ESC-Skills à l'adresse 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.