這幾天在做「從心出發」的時候，我一直遇到一個看起來很簡單、實際上卻非常關鍵的問題：

如果我要做一個心理支持 AI，到底需要給它多少心理學資料？

最直覺的答案好像是：

越多越好。

把 CBT、ACT、DBT、正念、情緒調節、壓力管理、睡眠、焦慮、憂鬱相關資料全部丟進去，再接上一個能力夠強的 LLM，看起來就像完成了一個「懂心理學的 AI」。

但做到現在，我開始覺得這個想法其實很危險。

因為真正困難的問題從來不是：

模型有沒有看過這些資料。

而是：

當一個人真的來尋求幫助時，系統到底會拿出哪一段知識？

一個心理支持系統最怕的，不是「不知道」

假設使用者說：

「最近一直覺得自己什麼事情都做不好。」

資料庫裡可能同時存在很多看起來相關的內容：

• 認知扭曲
• 自動化思考
• 自我效能
• 行為活化
• 完美主義
• 壓力反應
• 憂鬱症狀
• 接納與承諾治療
• 自我慈悲

它們可能全部「相關」。

但相關不代表適合。

如果系統只是搜尋幾篇相似度最高的文字，再交給 LLM 回答，那麼表面上它可能講得非常合理。

甚至比很多普通聊天機器人更像心理諮商。

可是這裡有一個問題：

它為什麼選這個？

為什麼是認知重建？

為什麼不是先澄清最近發生了什麼？

為什麼不是先理解睡眠、生活功能與壓力來源？

為什麼現在適合做介入，而不是先陪使用者把問題說清楚？

如果系統無法回答這些問題，那麼它只是「會引用心理學知識」，還不是我真正想做的系統。

所以今天開始做的，是「知識檢索層」

今天「從心出發」的重點開始慢慢從單純的模型與對話結構，往另外一個方向移動：

Psychology Knowledge Retrieval Layer。

它不是單純的向量資料庫。

也不是：

使用者問題
↓
搜尋最相似文章
↓
丟給 LLM
↓
回答

我希望最後形成的流程更接近：

使用者目前的狀態
        ↓
理解現在真正需要處理的問題
        ↓
判斷目前處於哪個支持階段
        ↓
確認哪些心理知識具有使用資格
        ↓
檢索合適的證據與介入方法
        ↓
交給模型進行解釋與引導
        ↓
觀察實際結果
        ↓
更新後續策略

這兩種架構看起來只差幾個步驟。

但對我而言，它們其實代表兩種完全不同的 AI。

我不想讓模型「扮演心理師」

這也是我最近重新確認「從心出發」方向的一件事。

我不是想做一個：

「你好，我是你的 AI 心理諮商師。」

然後讓模型努力模仿諮商師的語氣。

因為如果只是這樣，現在的大型語言模型本身其實已經可以做得非常像。

真正值得做的，應該是模型背後的系統。

我希望它最後能幫助一個原本不知道怎麼開始的人：

先理解：

「我到底發生了什麼？」

接著慢慢建立：

「哪些因素可能正在讓這個問題持續？」

再進一步找到：

「有沒有什麼事情，是我今天真的可以試著改變的？」

然後不是聊完就消失。

而是過幾天回來看：

「剛才的方法真的有幫助嗎？」

如果沒有，就修改原本對問題的理解。

如果有效，就看看能不能維持。

所以我現在越來越把「從心出發」理解成：

數位心理支持系統＋結構化自助介入系統

而不是心理聊天機器人。

這也讓我重新理解「AI 學習」這件事

以前我會把 AI 學習想得很像：

更多資料
=
更聰明

但現在真正開始做系統之後，我覺得至少還少了幾個東西。

應該更接近：

高品質資料
+
來源與版本
+
正確分類
+
檢索規則
+
使用資格
+
結果回饋
+
持續驗證
=
真正可用的知識系統

因為即使資料全部正確，

在錯誤的時間使用正確的知識，一樣可能是錯的。

這句話大概是我今天最大的體會。

ARCI 也開始找到它在這個專案裡真正的位置

之前我一直在做另一套系統：

ARCI — Autonomous Resilient Communication Intelligence。

一開始它比較像是為可靠性、路由、記憶與自主決策準備的基礎架構。

但最近把它接進「從心出發」之後，我開始看到另外一種可能。

心理學資料不一定要直接「塞進模型」。

它可以先成為一個被管理的知識層。

每筆知識都有自己的：

• 來源
• 版本
• 類型
• 適用情境
• 限制
• provenance
• eligibility
• retrieval 條件

然後 ARCI 負責決定：

現在什麼資訊有資格被交給模型。

這樣 LLM 就不再是整個系統本身。

它反而比較像最後的「語言與推理介面」。

真正重要的規則、知識、證據與狀態，被保留在模型外部。

這也是我目前很喜歡這個架構的原因。

但今天其實還沒有「訓練模型」

這裡我也想特別留下來。

因為工程日誌最容易出現的一個問題就是：

今天做了一個功能，

然後文章寫成：

「AI 已經學會心理學。」

這其實完全不是同一回事。

目前比較精確的說法應該是：

我正在建立讓心理學知識可以被安全、可追溯地檢索與使用的基礎。

這不代表模型已經被重新訓練。

也不代表它已經具有專業心理治療能力。

更不代表它可以取代心理師、臨床心理師或精神科醫師。

反而是因為這是一個和心理健康有關的系統，我覺得更不能因為 Demo 看起來很厲害，就把能力說得比實際完成的更多。

今天最大的進展，不是「資料變多了」

而是我開始回答一個更根本的問題：

一筆心理學知識，要滿足什麼條件，才有資格影響 AI 對一個人的建議？

這個問題可能比「我要蒐集幾萬篇資料」重要很多。

因為未來資料一定會越來越多。

模型也一定會越來越強。

真正決定系統品質的，可能不是它知道多少。

而是：

它知不知道什麼時候不應該使用某個知識。

以及，

當它使用了一個方法之後，有沒有辦法知道這個方法到底有沒有幫助。

Day 06

前幾天我一直在驗證：

系統會不會壞。

今天開始，我想處理另一個問題：

就算系統沒有壞，它做出的事情真的合理嗎？

這是兩個完全不同層次的問題。

而我現在才剛開始走進第二個。

如果「從心出發」最後真的能完成，

我希望它不是因為模型講話很像心理師。

而是因為在模型說出一句話以前，

背後已經有一整套系統努力回答：

為什麼現在應該說這句話？

我想，這才是今天真正往前走的一步。

Day 06，開始建立心理學知識檢索層。

不是讓 AI 記住更多。

而是讓它開始學會：

什麼知識，才應該在什麼時候被使用。