Vue3+LangGraph实战心理咨询AI，安全机制如何嵌入对话流程

一名前端开发者近期公开其自研的心理咨询 AI 助手项目，技术栈为 Vue3 + NestJS + LangGraph 1.x + PostgreSQL，目标是构建一个具备安全兜底能力的对话智能体。该项目并非简单调用大模型 API，而是通过状态图显式定义对话流程，尤其将“危机安全筛查”作为不可绕过的强制节点，确保高危信号不被遗漏。

该系统前端采用 Vue3 + TypeScript + Vite，搭配 MateChat 与 DevUI 组件库实现会话 UI；后端使用 NestJS 模块化架构，智能体编排层基于 LangGraph.js 1.4 构建状态机，支持条件分支与检查点（checkpoint）机制；模型接入层兼容 ChatOpenAI 接口，可对接 OpenAI 或阿里云百炼等服务；数据层统一使用 PostgreSQL 存储业务消息与智能体运行时状态。

项目作者强调，心理咨询场景与普通聊天机器人存在本质差异：普通对话中回复质量不佳仅影响体验，而漏判一次自杀倾向可能造成严重后果。因此，从设计之初就确立一条原则——“安全不能全交给大模型，代码必须兜底”。这一理念直接导向了状态图驱动的架构选择。

传统 API 调用模式难以满足四类关键需求：一是对话状态管理（用户处于初始倾诉、情绪崩溃或稳定复盘阶段需差异化响应）；二是流程分支控制（同一句“我好累”可能对应职场倦怠或抑郁前兆，需触发不同处理链路）；三是长记忆维持（多轮中提及“三个月前失业”需被后续对话引用）；四是安全闸门强制执行（风险等级判定必须由确定性逻辑完成，而非概率性模型输出）。

LangGraph 的状态图恰好提供了解决方案。开发者将整个咨询流程建模为有向图：入口节点接收用户输入 → 经过「情绪初筛」→ 进入「安全评估」子图（含关键词匹配、语义规则、阈值判断三重校验）→ 若未触发高危，则进入常规共情响应流；若命中任一高危指标（如“想死”“没希望”“吞药”等），立即中断当前对话流，跳转至紧急干预路径，推送本地化求助资源并记录事件。

该机制的关键在于“焊死”——即无论大模型如何生成回复，只要前置安全节点判定为高风险，后续流程将被强制拦截。例如，即使模型因训练偏差误判“我活够了”为调侃语气，代码层仍会依据预设规则触发危机响应。

在交互层面，系统采用 SSE（Server-Sent Events）实现流式输出，前端通过 ReadableStream 手动解析 token 分片，配合 McBubble 与 McMarkdownCard 组件实现增量渲染，保障长回复的流畅性。会话列表组件 SessionSidebar.vue 实时显示运行时状态与风险标记；CrisisBanner.vue 在检测到高风险时自动浮出，提供本地心理热线与危机干预指南。

值得注意的是，该项目在部署灵活性上做了特殊设计：支持“无 Key 无数据库”模式下完整运行。具体做法是将智能体检查点（checkpoint）与业务消息临时存于内存，配合前端本地存储缓存历史会话，适用于轻量级演示或隐私敏感场景。当然，生产环境仍推荐启用 PostgreSQL 持久化以保障数据一致性。

这一实践呼应了当前心理 AI 领域对“对话式模型边界”的反思。多项调研显示，尽管超六成青少年曾使用 AI 倾诉烦恼，且自助式系统能有效缓解抑郁与焦虑症状，但用户对其“情感信任”与“长期信任”始终有限。核心症结在于：对话模型依赖文本概率预测，无法理解语言背后的生命历程；它擅长安抚，却难以挑战；能提供共情，却难引发行为改变。

中国青少年研究中心 2025 年对 8563 名中小学生的调查显示，近半数孩子在心理困扰时优先选择 AI 而非真人咨询师，主因是“随时在线”与“永不评判”。但 Wiley 期刊一项针对中学师生的研究指出，受访者三大顾虑集中于：情感疏离、复杂情绪处理能力不足、缺乏非言语线索感知。

正因如此，行业正分化出两条技术路径：一条是以 Woebot、Wysa 为代表的对话式路线，聚焦降低倾诉门槛；另一条则是连信数字“洞见人和”人本世界模型所代表的评估式路线——通过多模态非接触感知（面部微表情、生理信号、行为规律）主动识别异常，而非等待用户开口。

前者解决“人愿意说时，给一个安全出口”；后者试图回答“人不愿说时，如何被发现”。两者并非互斥，而是在不同环节互补：评估模型可前置筛查高风险个体，再交由对话智能体进行干预承接。

回到 Vue3 + LangGraph 项目本身，其价值不在于模型能力有多强，而在于用工程化手段将临床安全规范落地为可执行代码。开发者踩过的 9 个坑中，多数涉及状态同步丢失、SSE 中断恢复、检查点版本冲突等问题——这些恰恰是智能体落地中最易被忽视的“非功能性需求”。

例如，在多轮对话中若用户中途刷新页面，系统需从最近检查点恢复上下文，而非从头开始；当 SSE 连接意外断开，重连后应续传未完成的 token 流；高风险事件触发后，即便用户关闭页面，后台仍需完成日志归档与告警上报。

这些细节决定了产品是“能跑”还是“可靠”。项目作者坦言，初期曾因忽略检查点序列号校验，导致两次会话状态错乱，险些将低风险用户误标为高危。

目前该方案已开源部分核心逻辑，重点展示如何用 LangGraph 定义带安全守卫的对话图谱。对于希望构建垂直领域智能体的团队而言，它提供了一种可复用的架构范式：将专业规则（如心理危机干预指南）转化为状态转移条件，而非寄望于模型“自己学会”。

随着《生成式人工智能服务管理暂行办法》对高风险应用提出更严要求，此类“规则+模型”混合架构或将成行业标配。尤其在医疗、教育、金融等强监管场景，确定性逻辑兜底不再是加分项，而是准入门槛。