用Python构建个人AI对话实验系统：从PDF解析到孤独感评估

孤独感在当下社会已经成为一个很普遍的体验，而大模型驱动的 AI 对话助手又刚好为“随时聊天”提供了一种近乎零成本的解决方案。于是很多人开始关心一个问题：个人 AI 对话到底能不能减少孤独感？网上相关讨论不少，但大多停留在“和 ChatGPT 聊天感觉很温暖”或者“AI 只是虚假陪伴”这种感性层面。本文想换一个角度，把这个问题当作一个可拆解的技术问题来处理：如何用 Python 读取并整理 PDF 格式的研究资料，如何基于大模型 API 搭建一个个人 AI 对话实验系统，如何记录对话数据并设计一套可评估的孤独感变化实验。整个过程既有概念分析，也有完整代码示例，适合对大模型应用、AI 情感陪伴、数据处理感兴趣的开发者阅读。

1. 背景与核心概念

1.1 “个人 AI 对话”指什么

“个人 AI 对话”通常指用户与某个由大语言模型驱动的虚拟助手之间的连续对话，而不是那种搜索引擎式的问答。它强调的是“个体专属”：对话助手可以记住你之前说过的话，会围绕你当前的情绪状态调整回应方式，甚至会主动提起你感兴趣的话题。

从产品形态上讲，个人 AI 对话可以是一个聊天机器人、一个语音助手、一个“AI 搭子”，也可以是集成在智能眼镜或手机里的小程序。只要满足以下特征，都可以算作个人 AI 对话：

• 对话主体是单一用户和 AI。
• 对话具备上下文记忆能力。
• 系统能根据用户反馈进行个性化调整。
• 对话目标是建立长期交互关系，而不仅仅是完成一次任务。

这和我们日常理解的“AI 客服”有本质区别。AI 客服的目标是高效解决问题，而个人 AI 对话的目标是“让用户感到被倾听、被理解”。

1.2 孤独感为什么可以被研究

孤独感在心理学中是一个主观体验，指个人感知到的社交关系质量低于期望，从而产生的一种消极情感体验。它并不等于“没有朋友”，一个身处人群的人也可能感到孤独。正因为孤独感是主观的、可测量的，研究者才能通过标准化量表来观察它在不同干预条件下的变化。

在“AI 是否能减少孤独感”这个问题中，核心评估对象并不是 AI 本身是否“聪明”，而是用户在持续使用 AI 对话之后，主观孤独感评分是否出现可观测的变化。这就意味着，我们需要一套完整的研究型工具链：能够把问卷、论文等 PDF 资料数字化，能够执行对话实验，能够记录行为数据，最后还要能输出统计结果。

1.3 为什么需要动手实现一个验证系统

如果只停留在“AI 能不能缓解孤独”的概念讨论，我们很难得到有价值的信息。不同性格的人、不同质量的 AI 回复、不同交互频率，带来的结果可能差异很大。更好的方式是构建一个小型验证系统，把研究问题变成可执行流程：

1. 从 PDF 中提取问卷题目，生成前测问卷和后测问卷。
2. 让参与者在实验前填写孤独感量表。
3. 让参与者和 AI 对话系统进行若干次交互。
4. 采集对话记录、对话时长、情感倾向等行为指标。
5. 实验后再次填写量表，对比前后得分变化。

这套流程本身就是一个典型的技术开发任务，涉及文件解析、大模型 API 调用、数据存储、统计分析和可视化。即使你不是心理学研究者，也能从中学到如何把“想法”变成“可运行系统”。

2. 环境准备与版本说明

为了让后续代码可以顺利运行，我们先准备好开发环境。本文的示例以 Python 为主，因为它的数据处理生态最完整，适合快速搭建实验原型。

2.1 基础环境

• 操作系统：Windows 10/11、macOS 或 Linux 均可。
• Python 版本：建议 3.10 及以上。
• 包管理工具：pip。

可以使用下面命令检查 Python 环境：

python --version pip --version

如果你的系统同时安装了 Python 2，可能需要使用python3和pip3，这个根据实际环境调整即可。

2.2 需要安装的核心依赖

在项目目录下创建虚拟环境是推荐做法：

python -m venv venv

激活虚拟环境：

• Windows：

venv\Scripts\activate

• macOS / Linux：

source venv/bin/activate

然后安装依赖：

pip install pdfplumber openai pandas matplotlib flask

各依赖的主要用途如下：

需要注意，openai 包的接口在 1.x 版本之后发生了较大调整，旧代码中的openai.ChatCompletion.create写法已经不可用。本文代码以新版写法为准，你可以根据实际安装版本做微调。

2.3 大模型 API 的准备

本文示例会调用大模型 API。由于各家服务提供商经常调整接口地址、模型名称和计费方式，这里不写死某个具体厂商，而是以“OpenAI 兼容接口”为例。

你需要准备一个可用的 API Key，并在代码中设置环境变量，避免把密钥写进代码仓库。

export OPENAI_API_KEY="你的key" export OPENAI_BASE_URL="https://你的服务商地址"

如果你使用的平台不提供OPENAI_BASE_URL，也可以直接在代码里写base_url参数。

必须说明的是：请确认你使用的 API 服务符合当地法律法规和平台服务条款，且在合法授权范围内使用。不要在未经授权的情况下抓取、分析或生成涉及个人隐私的对话数据。

3. 核心原理拆解

3.1 大模型对话系统如何产生“陪伴感”

要让 AI 对话减缓解用户孤独感，系统首先要提供“被听见”的体验。这并不仅仅来自大模型本身的理解能力，还来自提示词设计和交互策略。

一个有效的陪伴型 AI 通常会做三件事：

1. 情绪识别：从用户文本中识别出当前情绪状态，比如开心、焦虑、疲惫、难过。
2. 共情回应：先表达理解，再提供支持或建议。支持不等于给出标准答案，而是在情感层面接住用户。
3. 记忆与延续：在后续对话中提及用户之前提过的事情，让用户感受到连续性。

从技术角度看，这些能力都可以通过提示词约束大模型产生。比如在 System Prompt 中明确告诉模型“先识别用户情绪，再回应”和“不要急着给建议”，模型输出的风格会明显不同。

3.2 孤独感的测量方式

在心理学研究中，UCLA 孤独感量表（UCLA Loneliness Scale）是最常用的自评量表之一，包含 20 个题目，例如“你多久感到缺少陪伴？”“你多久感到自己是外向的人？”“你多久觉得让别人走近自己是困难的？”

这类题目通常采用 4 级频率评分：“从不”“很少”“有时”“一直”。计分时部分题目需要反向计分，最后得到总分。总分越高，代表孤独感越强。

我们并不需要在这里讨论量表的版权和具体内容，只需要知道一个技术思路：把量表题目数字化，让参与者在线作答，系统自动计算得分，再对比实验前后的分数变化。

3.3 为什么需要处理 PDF

很多心理学期刊文章、量表文档、研究手册都以 PDF 形式分发。如果需要把 PDF 里的问卷自动化处理，就必须先做文本提取。

举例来说，假设我们的研究资料loneliness_survey.pdf中包含问卷题目和相关说明，用 pdfplumber 可以快速提取文本：

# 文件路径：extract_pdf.py import pdfplumber with pdfplumber.open("loneliness_survey.pdf") as pdf: text_list = [] for page in pdf.pages: page_text = page.extract_text() if page_text: text_list.append(page_text) full_text = "\n".join(text_list) with open("survey_text.txt", "w", encoding="utf-8") as f: f.write(full_text) print("PDF 文本提取完成，总字符数：", len(full_text))

这里需要注意，pdfplumber 对“文本型 PDF”效果很好，也就是 PDF 中本身包含可选文本。如果是扫描件或图片型 PDF，提取出来会是空字符串或乱码，这种情况下需要先做 OCR 识别，常配合pytesseract使用。

3.4 实验设计的基本思路

要回答“个人 AI 对话能否减少孤独感”，不能只靠几个人聊几天就下结论。比较稳妥的做法是设计一个分组对照实验：

• 实验组：与 AI 对话助手进行为期一周、每天 10 分钟左右的非结构化聊心。
• 对照组：不进行 AI 对话，或者只使用普通搜索引擎进行信息查询。
• 实验前后分别测量参与者的孤独感得分。
• 实验组和对照组在性别、年龄、基线孤独感等维度尽量匹配。

实际实现中，还需要采集对话质量、情绪变化等中间变量。把流程放在代码里，就体现为：问卷模块、对话引擎模块、日志模块、分析模块。

4. 完整实战案例：构建个人 AI 对话孤独感实验系统

接下来我们落地一个最小可用系统。它包含 PDF 问卷读取、AI 对话、日志记录、分数统计和简单可视化五个核心模块。

4.1 创建项目结构

建议项目目录如下：

ai_loneliness_project/ ├── data/ │ ├── loneliness_survey.pdf │ └── ... ├── output/ │ ├── logs/ │ └── figures/ ├── code/ │ ├── extract_pdf.py │ ├── chat_engine.py │ ├── run_experiment.py │ └── analyze.py ├── venv/ └── requirements.txt

这样每个模块职责清晰：extract_pdf.py处理 PDF 资料，chat_engine.py负责大模型对话，run_experiment.py串联整个实验流程，analyze.py做前后测分析。

4.2 使用 pdfplumber 提取问卷题目

假设data/loneliness_survey.pdf是一份包含问卷题目的 PDF 文档。我们可以先提取文本，再用正则表达式把题目解析出来。

# 文件路径：code/extract_pdf.py import re import pdfplumber def extract_text_from_pdf(pdf_path: str) -> str: """从 PDF 中提取全部文本""" with pdfplumber.open(pdf_path) as pdf: pages_text = [] for page in pdf.pages: page_text = page.extract_text() if page_text: pages_text.append(page_text) return "\n".join(pages_text) def extract_questions(text: str) -> list: """用正则粗略提取问卷题目""" # 这里假设题目以数字加顿号或点号开头 pattern = r"\n?\s*(\d+)[、.．]\s*(.{10,200}?)(?=\n\s*\d+[、.．]|$)" matches = re.findall(pattern, text, re.S) questions = [f"{num}. {content.strip()}" for num, content in matches] return questions if __name__ == "__main__": raw_text = extract_text_from_pdf("../data/loneliness_survey.pdf") questions = extract_questions(raw_text) print("提取到题目数量：", len(questions)) for q in questions[:5]: print(q)

这段代码的目的是把 PDF 中散落的题目结构化，方便后续把题目插入到前测问卷页面中。实际问卷可能包含选项文本、计分说明、指导语，正则规则需要按文档结构调整。在实验中，我更建议人工校验一次提取结果，避免题目遗漏或截断错位。

4.3 构建 AI 对话引擎

对话引擎是整个系统的核心。我们需要设计一个既能让用户敞开心扉，又不会越界给出医疗建议的 System Prompt。

# 文件路径：code/chat_engine.py import os from openai import OpenAI SYSTEM_PROMPT = """你是一个温暖、耐心、真诚的个人 AI 陪伴助手。你的任务是： 1. 先识别用户当前的情绪，并用自己的话表达理解； 2. 不要急于给出建议，而是先陪伴用户梳理感受； 3. 对话要自然、亲切，不要像客服一样机械； 4. 如果用户表现出强烈的自伤、自杀倾向，请明确建议其联系专业心理援助机构，不要安慰过度； 5. 不要声称自己可以代替心理咨询师或医生。""" class PersonalChatAgent: def __init__(self, api_key: str = None, base_url: str = None): self.client = OpenAI( api_key=api_key or os.getenv("OPENAI_API_KEY"), base_url=base_url or os.getenv("OPENAI_BASE_URL"), ) self.history = [{"role": "system", "content": SYSTEM_PROMPT}] def add_message(self, content: str, role: str = "user"): self.history.append({"role": role, "content": content}) def reply(self, user_input: str, temperature: float = 0.7) -> str: """接收用户输入并返回 AI 回复""" self.add_message(user_input, role="user") response = self.client.chat.completions.create( model=os.getenv("OPENAI_MODEL", "gpt-4o-mini"), messages=self.history, temperature=temperature, max_tokens=300, ) assistant_message = response.choices[0].message.content self.add_message(assistant_message, role="assistant") return assistant_message def reset(self): self.history = [{"role": "system", "content": SYSTEM_PROMPT}]

这里有几个小细节需要说明：

• temperature设为 0.7 左右，既能让回复有温度，又不会过于发散。
• 长对话中max_tokens不宜太大，否则模型容易输出冗长回复，用户反而觉得有压力。
• 系统中应内置安全兜底逻辑，当检测到用户处于极端情绪时，应提示其联系专业机构。

4.4 设计前测/后测问卷交互模块

为了评估孤独感变化，我们需要在实验前后给用户呈现量表。由于不同问卷的题目数量、选项描述不同，我们可以把问卷题目保存在 JSON 文件中。下面的代码演示了如何把 PDF 提取后的题目转换成 JSON 配置。

# 文件路径：code/build_survey_json.py import json questions = [ "你多久感到缺少陪伴？", "你多久感到自己是外向的人？", "你多久觉得让别人走近自己是困难的？", "你多久感到被他人理解？", ] survey_config = { "title": "孤独感自评量表（示例）", "instructions": "请根据最近两周的实际感受选择一个最符合你的频率。", "options": ["从不", "很少", "有时", "一直"], "questions": questions, "reverse_scores": [2], # 第 2 题为反向计分 } with open("../data/survey_config.json", "w", encoding="utf-8") as f: json.dump(survey_config, f, ensure_ascii=False, indent=2) print("问卷配置文件已生成")

如果实际项目中有正式量表 PDF，可以先用 4.2 节的方法提取题目，再人工修正后输出为 JSON，避免手动录入大量文本。

4.5 记录对话日志

每次对话后，把用户输入、AI 回复、时间戳保存到本地，为后续分析保留原始数据。这里使用最简单的 JSON 行格式，每行一条记录，方便用 pandas 读取。

# 文件路径：code/log_utils.py import json import os from datetime import datetime def save_interaction_to_log(log_path: str, user_id: str, user_message: str, ai_reply: str): """把一轮对话记录追加写入日志文件""" record = { "user_id": user_id, "timestamp": datetime.now().isoformat(), "user_message": user_message, "ai_reply": ai_reply, } os.makedirs(os.path.dirname(log_path), exist_ok=True) with open(log_path, "a", encoding="utf-8") as f: f.write(json.dumps(record, ensure_ascii=False) + "\n")

4.6 串联实验主流程

下面把前面的模块整合起来，实现一个简单的命令行实验流程：用户先做前测，然后与 AI 连续对话 5 轮，最后填写后测。

# 文件路径：code/run_experiment.py import json from chat_engine import PersonalChatAgent from log_utils import save_interaction_to_log def load_survey(path: str) -> dict: with open(path, "r", encoding="utf-8") as f: return json.load(f) def run_survey(survey: dict, label: str) -> dict: """简单的命令行问卷作答，返回题目索引和得分""" print(f"\n===== {label} =====") print(survey["instructions"]) answers = {} for idx, question in enumerate(survey["questions"]): print(f"\n{idx + 1}. {question}") for opt_idx, opt in enumerate(survey["options"]): print(f"{opt_idx}: {opt}") choice = int(input("请输入选项编号：")) answers[idx] = choice return answers def calculate_score(survey: dict, answers: dict) -> int: """计算总分，处理反向计分""" total = 0 for idx, question in enumerate(survey["questions"]): score = answers[idx] if idx + 1 in survey.get("reverse_scores", []): score = len(survey["options"]) - 1 - score total += score return total def main(): user_id = input("请输入参与者编号：") survey = load_survey("../data/survey_config.json") pre_answers = run_survey(survey, "前测问卷") pre_score = calculate_score(survey, pre_answers) print(f"前测得分：{pre_score}") agent = PersonalChatAgent() print("\n===== 开始与 AI 对话 =====") print("你可以聊任何想聊的话题，输入 exit 结束本轮实验。") rounds = 0 while rounds < 5: user_input = input("\n你说：") if user_input.strip().lower() == "exit": break ai_reply = agent.reply(user_input) print(f"\nAI 助手：{ai_reply}") save_interaction_to_log( log_path=f"../output/logs/{user_id}.jsonl", user_id=user_id, user_message=user_input, ai_reply=ai_reply, ) rounds += 1 post_answers = run_survey(survey, "后测问卷") post_score = calculate_score(survey, post_answers) print(f"后测得分：{post_score}") print(f"前后测得分变化：{post_score - pre_score}") if __name__ == "__main__": main()

这个主流程看起来比较简单，但它已经具备了一个实验雏形：前测、干预、后测、日志记录。

需要特别指出的是，真实心理学实验还需要考虑洗脱期、随机分组、安慰剂对照等问题，这里只做技术演示，不能直接当作严谨的科研结论。

4.7 分析对话日志并可视化

实验结束后，我们可以读取多个参与者的日志，统计平均对话轮数、平均回复长度，以及使用一个简单的情感关键词词典做粗粒度情感分析。

# 文件路径：code/analyze.py import json import os from collections import defaultdict import matplotlib.pyplot as plt import pandas as pd POSITIVE_WORDS = ["开心", "放松", "感谢", "温暖", "安心", "舒服"] NEGATIVE_WORDS = ["难过", "焦虑", "孤独", "烦躁", "害怕", "压力", "累"] def analyze_logs(log_dir: str): records = [] for filename in os.listdir(log_dir): if not filename.endswith(".jsonl"): continue user_id = filename.split(".")[0] with open(os.path.join(log_dir, filename), "r", encoding="utf-8") as f: for line in f: record = json.loads(line.strip()) record["user_id"] = user_id records.append(record) df = pd.DataFrame(records) print("对话记录总数：", len(df)) print("参与者数量：", df["user_id"].nunique()) df["user_positive_count"] = df["user_message"].apply( lambda x: sum(1 for w in POSITIVE_WORDS if w in x) ) df["user_negative_count"] = df["user_message"].apply( lambda x: sum(1 for w in NEGATIVE_WORDS if w in x) ) grouped = df.groupby("user_id")[["user_positive_count", "user_negative_count"]].mean() print("\n每位参与者平均每轮情感词出现频次：") print(grouped) return df if __name__ == "__main__": df = analyze_logs("../output/logs") # 绘制每位参与者的情感词频次对比 grouped = df.groupby("user_id")[["user_positive_count", "user_negative_count"]].mean() grouped.plot(kind="bar", figsize=(10, 6)) plt.title("参与者每轮平均情感词频次") plt.xlabel("参与者ID") plt.ylabel("平均出现次数") plt.tight_layout() plt.savefig("../output/figures/emotion_analysis.png") print("图片已保存到 output/figures/emotion_analysis.png")

这个分析脚本并没有直接测量孤独感变化，而是提供观察窗口：如果参与者在实验过程中负面情感词逐渐减少、正面情感词逐渐增加，这可能是一个值得深入研究的信号。不过，情感词典方式非常粗糙，更严谨的做法是使用大模型对每条对话进行情感维度评估，或者使用情绪分类模型。

5. 常见问题与排查思路

在实际运行这个实验系统时，可能会遇到下面这些问题。我按现象、原因、解决思路整理成一个表格，方便大家快速排查。

有几条需要重点展开。

问题 1：PDF 扫描件无法提取文本。

这种情况在校验问卷扫描版时非常常见。如果 PDF 本身就是图片，pdfplumber 提取不到文字，那么文本化就没有意义。解决办法是先调用 OCR。一般流程是：先用pymupdf把 PDF 页面导出为高分辨率图片，再用pytesseract做文字识别。需要注意，OCR 需要安装本地 Tesseract 程序，不同语言需要对应语言包，否则中文识别结果会很差。

问题 2：大模型回复过于“官方”。

有时即使 System Prompt 写得很像一个知心朋友，模型输出仍然像客服。这可能是因为基础模型的对话风格太偏向一致性回答。解决方法是：

• 在提示词里加入“使用口语化表达，不要使用第一，第二，第三”。
• 在示例中给出一个高共情回复样例，让模型模仿语气。
• 调高 temperature 到 0.8 到 0.9。
• 在回复生成后，用另一个本地规则过滤掉明显的“AI 味”词汇，比如“作为一个人工智能”。

问题 3：隐私和伦理风险。

很多人担心个人 AI 对话会诱导情感依赖，或者泄露用户隐私。这正是实验系统需要重点考虑的问题。工程上可以做到：对话记录本地存储、参与者匿名编号、数据导出前脱敏，以及在使用说明中强调 AI 不能替代心理医生。如果研究涉及大学或机构，必须经过伦理审查。

6. 最佳实践与工程建议

6.1 安全边界优先

在我个人看来，做“AI 陪伴”类应用的开发者最应该在意的不是模型多聪明，而是回答的安全边界。用户一旦把 AI 当作情感寄托，就可能在脆弱状态下说出非常私密甚至危险的信息。

建议在代码层面做两层保护：

第一层是敏感事件检测。可以用关键词规则拦截“自杀”“不想活”“伤害自己”等表达，并立即输出求助信息，同时终止常规对话流程。

第二层是免责声明。在实验说明页、对话开场白和每次长时间对话后，都可以温和提醒“我只是一个 AI 程序，无法替代专业心理咨询师”。

# 文件路径：code/safety_check.py CRISIS_KEYWORDS = ["自杀", "不想活", "结束生命", "伤害自己", "活着没意思"] def safety_check(user_input: str) -> bool: """返回 True 表示检测到高危表达""" for keyword in CRISIS_KEYWORDS: if keyword in user_input: return True return False def crisis_response() -> str: return "我听到你现在的状态非常痛苦。虽然我无法完全理解你的感受，但我们非常在乎你的安全。请你一定要联系身边信任的人，或者拨打当地心理援助热线，接受专业帮助。"

在高危场景下，宁可“回复说得不合适”，也不能漏掉提示求助的环节。

6.2 数据存储与最小权限原则

处理参与者数据时，建议遵守两个原则：

• 最小化：只采集完成实验所必需的字段，比如参与者编号、对话内容、问卷得分。不要采集姓名、手机号等敏感身份信息。
• 本地化：默认将日志保存在本地文件夹，不要上传到第三方平台。如果必须做云端统计，也要先完成脱敏。

代码中可以把用户 ID 设计成随机哈希值，而不是真实编号：

import hashlib def anonymize(user_name: str) -> str: return hashlib.sha256(user_name.encode("utf-8")).hexdigest()[:16]

6.3 如何提升系统的实验可信度

从工程角度，我们可能无法控制样本量，但可以控制“评估过程不被污染”。最好的做法是引入盲评机制：让评估者只看到对话文本，不知道文本来自实验组还是对照组，也不知道对话前后的得分。这样可以减少主观偏差。

另外，不要只看总分变化这一个指标。可以细化分析 AI 回复里的共情表达数量、对话中用户发言长度的变化、参与者的流失率等。如果实验组后期发言明显变长、负面情绪词减少，即使前后测得分差异不显著，也值得写进结论建议里。

6.4 个性化记忆设计

真正能让人产生陪伴感的 AI，往往具备长期记忆能力。当前对话系统如果不做任何处理，每次实验都会从零开始，用户可能会感到 AI “很健忘”。

生产级应用通常会引入：

• 短期记忆：保留最近 10 轮历史。
• 长期记忆：用户重要偏好、提到过的朋友、难忘事件写入向量数据库。
• 定时总结：每隔一段对话时间，用大模型生成一份用户画像摘要。

在实验系统中，可以先用简单的 JSON 文件保存用户偏好：

# 文件路径：code/memory.py import json import os MEMORY_FILE = "../data/user_memory.json" def save_user_memory(user_id: str, key: str, value: str): memory = {} if os.path.exists(MEMORY_FILE): with open(MEMORY_FILE, "r", encoding="utf-8") as f: memory = json.load(f) memory.setdefault(user_id, {})[key] = value with open(MEMORY_FILE, "w", encoding="utf-8") as f: json.dump(memory, f, ensure_ascii=False, indent=2) def load_user_memory(user_id: str) -> dict: if not os.path.exists(MEMORY_FILE): return {} with open(MEMORY_FILE, "r", encoding="utf-8") as f: memory = json.load(f) return memory.get(user_id, {})

存储内容推荐用“事实描述”而不存储过度主观评价，比如保存“用户养了一只叫豆包的猫”比保存“用户喜欢猫”更安全也更有用。

6.5 可观测性与复现

实验系统的可观测性也很重要。每次 API 调用，除了记录对话文本，还应该记录模型名称、temperature、max_tokens、响应耗时，以及当时使用的 System Prompt 版本。

在单独文件中保存这些运行参数，可以极大提升实验的可复现性。否则三个月后再看日志，你可能完全不知道当时用的是哪个模型版本。

run_params = { "model": os.getenv("OPENAI_MODEL", "gpt-4o-mini"), "temperature": 0.7, "max_tokens": 300, "system_prompt_version": "v1.2", "created_at": datetime.now().isoformat(), }

7. 总结与下一步

回到最开始的问题：个人 AI 对话是否能减少孤独感？

从技术实现角度看，这个问题的答案并不是简单的“能”或“不能”，而是需要被拆解成可测量的指标。本文做了一遍完整的技术演示：用 pdfplumber 从 PDF 中提取问卷资料，用大模型 API 搭建个人对话引擎，用 JSON 文件管理系统记忆和实验配置，用 SQLite/JSON 记录对话日志，最后用 pandas 和 matplotlib 做前后测分析和可视化。

如果你想把这套原型继续深化，下面几个方向值得关注：

• 接入长期记忆系统，比如向量数据库和 RAG 检索，让 AI 记住用户的真实生活细节。
• 引入情绪计算模型，对大模型输出做情绪质量和共情能力的自动评估。
• 设计更严谨的实验方案，包括随机分组、双盲评估、更长的实验周期。
• 把命令行交互升级为 Web 页面，方便实验对象在自然环境中使用。

最后想提醒大家，这类应用最终面对的是真实的人。在追求对话流畅度的同时，一定要把安全边界、隐私保护和伦理责任放在前面。如果你对本文中的代码有疑问，或者在实际调试中遇到问题，欢迎在评论区聊聊你的场景，一起把方案打磨得更完整。