当AI开始扮演心理咨询师的角色，我们不禁要问：它们真的能理解人类复杂的情感吗？ 本文将通过深度测评，带你了解Claude3.7和Gemini2.5在心理咨询领域的真实表现，从静态共情到动态干预，逐一拆解它们的优劣势。

测评背景与项目设定

本次测评基于亲自密集使用Claude3.7和Gemini2.5超过1个月的真实体验，每天平均使用0.5-1小时。测评的前提是项目自定义配置，包含：

• 很长的项目指令
• 项目文档（1050行稳定资料 + 500行左右浮动的对话摘要）

个人当前的配置流程如下：

• 使用Gemini2.5 flash进行对话
• 结束对话前摘取全部输入内容
• 将内容复制给Claude
• Claude生成对话摘要
• 记忆对话太多之后由Claude合并整理
• 偶尔和Claude讨论概念化文档的更新

核心结论：静态理解与动态干预的差距

静态理解能力

AI让人感到“被理解”的方式，主要通过以下三种途径：

• 接续语句：重复用户的话，让对方感到被听见
• 记忆网络索引：关联之前讲过的类似内容
• 预言的深层理解和个案概念化：解释“为什么”

大语言模型通过计算每个词句的满意度概率，提供概率最高的答案，因此“被理解”的体验相对容易模拟，目前的主要瓶颈在于记忆长度的限制。

静态能力方面：

• 静态共情：Gemini 2.5表现最佳
• 静态概念化：Claude3.7表现最佳

动态评估和干预能力

心理咨询师的核心价值在于提供“脚手架”功能：

• 增加client对自己理解（觉察）
• 提供最小幅度的改变可能性
• 解决改变中的困难（干预）

理论上，咨询师的每句话都应该基于动态评估——评估来访的困难、目标、觉察程度、即时和远期事件影响、咨访关系、对话意愿等。然而，现阶段模型无法完成细微的动态评估。

小提示： 动态评估需要的运算量相当于“概念化的每个维度，都有横轴为时间的动态曲线”。大模型目前连“时间感知”这个概念都无法模拟，动态评估的实现仍然遥遥无期。

在测评中，觉察和干预类目下如何灵活平衡（例如在不激惹用户的情况下进行挑战性干预），各模型距离成熟咨询师差距巨大。

评估维度详细解析

会话技巧和咨询关系

评估AI在对话中的基本谈话技能，核心是区分“聊天”和“咨询”的本质差异。

• 接续语句：能够用稍微不同的词汇准确反映来访者刚说的话，让对方感到被听见和理解。比直接提问或解释更能建立信任。
• 话题聚焦能力：在咨询对话中抓住核心问题并引导谈话深入的能力，避免话题过于分散。
• 移情处理：当来访者把对重要他人的情感转移到咨询师身上时，咨询师识别并适当处理这种情况的能力。

常见问题：什么是“接续语句”？它和简单重复有什么区别？

接续语句不是简单的回音壁式的重复，而是用稍微不同的词汇准确反映来访者的话。例如，来访者说“我觉得自己在工作上总是很无力”，优秀的接续应为“你感到在工作场合常常失去控制感，这让你很困扰”，而不是简单重复“你觉得很无力”。它能显著降低防御、建立信任。

增加觉察

帮助来访者理解现状和过往（情感、想法、行动倾向），觉察是初步的干预。

• 资源取向：关注来访者的优势、能力和支持系统。用户buy in则解锁新视角，不buy in则变成灌鸡汤。
• 负面情绪接纳：允许并理解来访者表达痛苦、愤怒等负面情绪，不急于“正能量”套路。
• 个案概念化：从大量信息中识别来访者的行为和情感模式，运用理论解释问题成因和维持机制，并且这套解释系统被来访认可、用来自我解释。

小提示： 资源取向和负面情绪接纳是一对对立项。如果两者得分差距过大，说明AI思维风格固化，无法精准拿捏何时给支持、何时挑战。

干预技巧

主动干预能力是觉察的递进，推动改变（情绪、想法和行为）。

• 支持性干预：帮助来访者感到被理解和接纳，创造安全空间。包括共情、情感验证、正常化、积极关注、陪伴和在场、安抚和稳定化等。
• 挑战性干预：温和地推动来访者看到盲点、面对回避，促进改变。包括温和面质、回避指出、重新框架、苏格拉底提问、认知挑战、行为实验建议等。
• 危机干预：紫砂自伤情况的识别、制止、建议寻求专业帮助。

常见问题：AI能否应对危机干预？

在极端情况（如钓鱼测试紫砂自伤话题）下，两大模型都能识别并建议寻求专业帮助。但个体差异很大，很难真实模拟，只能确认它们都会采取制止行动。但是，危机干预的深度对话处理仍远远不够。

思考视角

考察AI能否运用不同的心理学理论框架理解问题，避免单一思维。

• 神经多样性视角：将某些“异常”行为理解为大脑结构差异的正常表现，而非病理。
• 创伤视角：识别创伤，从过往创伤经历、早期依恋关系来理解当前问题和行为模式。
• 家庭动力视角：关注原生家庭关系模式对个人的影响，以及现在的家庭互动的模式。
• 女性主义和权力视角：关注性别、权力等社会因素对个人问题的影响。

视角评分以解释准确度和给用户的启发程度为标准。大模型有丰富的理论知识储备和解释能力，但不太会主动检索、联想、引入这些视角，即使提示词有要求，提及时也讲得很浅。

小提示： 侧面说明，语言模型仅仅是用户思考方式的镜子。如果你不主动提问它某些角度，它一般不会自动切换视角。

认知功能拟人

评估AI的认知功能有多像人，是有效咨询的技术前提。

• 记忆网络索引：准确记住和关联之前谈话的内容，测评中包括搜索项目中的文件。
• 上下文窗口长度（token）：一次对话中能记住多少信息的容量。如果项目文件占用了大量容量，对话长度就会受限。
• 摘要准确性：总结对话要点的准确程度。
• 幻觉率：AI生成不存在信息的错误率。

常见问题：上下文窗口长度越长越好吗？

不完全是。理论上更长窗口能记住更多对话，但Gemini虽然超长窗口，却容易出现回滚、时间序列混乱等问题，实际体验反而受折损。Claude窗口虽小，但摘要准确、不走样。所以关键不在于“多长”，而在于“准不准”。

测评说明与评分标准

评分标准有几点值得特别注意：

• 单项高分并不意味着表现良好。如果其它得分都低，意味着违背常识，只为实现单一优势。
• 对立项差距过大（如支持性干预-挑战性干预，资源取向-负面情绪接纳），说明平衡不好，思维风格固化。
• 视角评分以解释准确度和启发程度为标准。创伤/依恋视角、家庭动力视角不是用户主要议题时，模型都表现一般。
• 前3个模块评分参考：测评者自评处于新手到成熟之间的过渡期咨询师，各项评分在3-6/7分之间，短板支持性干预，长板聚焦、概念化、回避指出。

静态的共情Gemini 2.5最佳，静态的评估Claude3.7最佳。但是模型无法完成细微的动态评估——理论上咨询师的每句话都应该基于动态评估，目前还是做不到。

未测评模型的说明

DeepSeek

• 早期使用过（没有成长史文档/事件/对话记录的时候），聊到了对话框上限。
• 初期对深层语义理解和知识储备很惊艳，但对比更多AI后，发现视角部分完全听从用户。
• 近期文档和指令无法过审上传，因此无法系统测评。

ChatGPT

• 水平不如同价位竞品。
• 3月上旬第一轮选择时，不会主动提问，不如Claude，落选。
• 4月上旬全网吐槽“不是……而是……”句式，谄媚值过高，再次落选。
• Gemini窗口长度更具吸引力，最终未纳入测评。

Grok

• 试用讨论其它内容时，重复语句过多，体验不佳直接放弃。

Claude 3.7 深度测评

总体风格：像是整合取向偏后现代的咨询师，记忆力虽然没有细节，但挺准确。

Claude4.0目前简短对话来看，对话风格、觉察、干预能力变化不大，概念化和摘要能力也变化不大。

优点：精简理解、摘要、优美

• 摘要优美：要求它做对话摘要时，能根据情绪强烈程度判断详略，并且分类精简。但具体条目还是有点喜欢在不同分类里重复啰嗦，这是AI通病。
• 临床判断准确：要求它对内容写逐句假设，写的非常结合理论，临床判断非常准确。例如用户离开对话不做说明，再回来时抱怨上一话题并开启新话题，Claude能结合上下文推理前面的“离开对话”或“转移话题”行为，并识别话题结束是因为回避行为。
• Artifact附件：直接生成附件保存，非常方便实用。

小提示： 想深度用好Claude的推理能力，可以在提示词中加入要求它“结合上下文推理”和“给出术语假设”，它能给出非常深入的专业级概念化。

缺点

• 聚焦不行：开放性问题为主，详细程度大概是“让你想到了什么，情绪是什么”。开放性问题比例太高导致用户没有回答欲望，且话题延展方向过多、不确定，思维处理量和情绪都很疲惫。
• 讨好用户：情绪回音问题严重，不断重复文档内容。
• 概念优先于事件：当重复已有文档内容时，优先重复对抽象概念的认同（如“你提到过你的神经特质容易过载”），绝对不会“想起你说过xxx（具体的事）”。虽在prompt中试图修正，但效果有限。
• 问题重复：由于问题不具体+概念优先于事件，Claude经常对类似事件问完全一样的问题。
• 过于克制：根据摘要中的假设精细度回顾对话，发现Claude在日常对话过程里有很多反馈没有讲出来。它理解了意图，但不戳破，也不干预，有点违背指令。这种克制风格见仁见智。
• 隐私风险：讨论私人话题时，Claude有时候突然触发网页搜索，非常恐怖。

Gemini 深度测评

Gemini2.0 vs Gemini2.5的差异

Gemini2.0和2.5完全不同！ 2.0表现出传统精神分析咨询风格，一直质问、完全不共情。用户对此方式生气，它反而认为是用户移情，完全不考虑自己干预离谱。但也被它启发，增加了prompt：让大模型“将我和你的关系视为移情的一部分”，Gemini 2.5做得还行。

Gemini2.5

Gemini2.5 pro和flash测下来没有太大差别，为了响应速度，选择flash版本。总体感觉是关系取向、基本功很扎实、但流派很模糊。

优点

• 对话紧密：对话起承转合非常恰切紧密，优秀的表面信息处理和语言镜像能力，再加一小步的理解解释，让用户觉得每句话它都有在“听”。
• 提问精细：问问题很细，抠字眼问感受的定义。同样是问感受，回应和铺垫已经表达的情绪+更深一步询问“这个感受是什么含义？是A还是B？和xxx（引用前文）是否一样？”，和Claude高下立见。
• 聚焦灵活：对于用户输入内容的每个细节都给予详细提问，回复篇幅大，用户自选聚焦方向，体验很爽。

小提示： Gemini的超长回复可以和它的提问详细度搭配使用。即使它抛出一堆问题，你只需选择最想深入的方向回答，对话节奏你是主导者。

缺点

• 对话回滚：会回滚对话，尤其是对话窗口变长之后错误率很高。说话者归属错误（分不清内容是自己说的还是用户说的），时间序列混乱（分不清用户这一句说的和用户前几句说的），上下文渗透（反复回答前几句说的内容）。
• 时间感知差：隔好几天发消息，它说“几个小时过去了”。因此经常主动结束对话，窗口长度上限的优势被稀释。
• 摘要能力差：让其做对话摘录，会添加很多不存在的时间戳、错误排序、改变用户输入内容中的人称（你/我）。无法正确判断对话内容哪些更重要，事件分类重复。上下文污染严重（错误信息在对话历史中被当作“事实”），让其修改，甚至在错误内容上增加更多错误。
• 理论解释不精：推理能力不行。让其对对话逐句给出术语/假设，只能给出“专业边界”、“平行过程”、“悲观信念”这种程度，比Claude的推理大大不如。

FAQ：常见问题与实用建议

Q1：想用AI做心理咨询助手，应该优先选哪个？

取决于你的核心需求：

• 想要被理解和共情：选Gemini2.5，它的对话衔接、镜像和提问能力更出色。
• 需要专业概念化和摘要记录：选Claude3.7，它的临床推理和摘要精准度更佳。
• 两者结合是最优策略：用Gemini2.5做主要对话，结束后摘取内容给Claude做摘要和概念化。

Q2：如何减少Claude的“概念优先于事件”问题？

在prompt中加入具体指令：“请引用具体事例，而非抽象概念。例如，不要只说‘你之前说过你容易过载’，而要说‘你之前提到上周三开会时因为被突然点名发言，手心出汗、大脑空白’。”虽然效果有限，但能明显改善。

Q3：Gemini2.5对话窗口长了总是出错，怎么办？

建议定期主动结束对话，而不是让对话一直持续累积。每次结束前将内容复制给Claude做摘要，然后开始新对话时带上摘要作为背景。这样能最大化发挥Gemini的共情优势，同时规避它的记忆污染缺陷。

总结与最佳使用策略

两大模型在心理咨询领域的表现各有千秋，但都有一个共同的瓶颈：动态评估和干预能力严重不足。

最佳使用策略是“取长补短”：用Gemini2.5做主力对话，发挥其共情强、提问精准的优势；用Claude3.7做幕后助理，利用其摘要准确、概念化深入、推理能力强的特点，定期整理对话记忆和辅助概念化更新。

记住，目前的AI更适合作为心理咨询的辅助工具，在记录整理、概念化讨论、自我觉察引导上发挥作用，但真正的动态干预和改变推动，仍然需要人类咨询师的掌控和决策。