ESC-Skills: Descobrindo e Autoevoluindo Habilidades para Conversas de Apoio Emocional

Resumo

Os sistemas existentes de conversa de apoio emocional (ESC) baseiam-se principalmente na geração de respostas fim a fim ou na supervisão grosseira de estratégias, oferecendo interpretabilidade limitada e pouco suporte para a melhoria sistemática de habilidades. Propomos o ESC-Skills, uma estrutura centrada em habilidades que descobre e auto-evolui habilidades executáveis de apoio emocional. Primeiro, modelamos interações locais de apoio como Unidades de Intervenção (UIs), que capturam dinâmicas de estado–ação–resultado entre estados do buscador, intervenções de apoio e mudanças emocionais pós-resposta. Com base em UIs extraídas de diálogos ESC bem-sucedidos e mal-sucedidos, construímos o Banco de Habilidades ESC, um repositório de habilidades executáveis de apoio emocional contendo orientação de intervenção, condições de aplicabilidade, resultados esperados e riscos potenciais. Para aprimorar ainda mais a robustez, introduzimos uma estrutura de refinamento auto-evolutivo com múltiplos perfis, na qual um agente ESC interage com diversos perfis simulados de buscadores sob avaliação SAGE. Os traços de interação resultantes são analisados para identificar habilidades ausentes, intervenções inseguras e padrões de falha específicos de perfil, que são então usados para refinar o Banco de Habilidades por meio de verificação baseada em simulação. Resultados experimentais demonstram que o ESC-Skills melhora tanto a qualidade em nível de resposta quanto os resultados emocionais em nível de diálogo, ao mesmo tempo que fornece comportamentos de apoio mais interpretáveis e controláveis. Divulgaremos o código, os prompts e o Banco de Habilidades ESC em 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.