从想法到上线，一个人一周做完的 AI 小产品
背景
两周前一个做心理咨询的朋友问我："能不能做个工具，让用户先跟AI聊聊天，再填标准量表，自动出评估报告？"
需求很清晰：
- AI对话评估 --- 用户像跟咨询师聊天一样描述状态，AI 引导式提问
- 标准量表 --- PHQ-9、GAD-7、SDS、SAS 四大临床量表，自动评分出报告
- 危机干预 --- 检测到自伤/自杀关键词或量表高分，立即弹热线
- 隐私 --- 全部本地部署，数据不留存
于是花了一周，做了个叫「心晴助手」的东西。今天把完整的做法和踩坑记录下来。
一、技术选型为什么这么搭
| 需求 | 选型 | 理由 |
|---|---|---|
| API 层 | FastAPI | 异步原生，自动生成 OpenAPI 文档，pydantic 校验 |
| AI 对话 | DeepSeek API | 便宜（百万token不到1块），兼容 OpenAI 格式，随时能换 |
| 前端 | Streamlit | 纯 Python 搞定 UI，不用写 HTML/JS/Vue |
| 量表数据 | JSON 文件 | 新增量表只需加一个 JSON 文件，零代码改动 |
| 部署 | Docker Compose | 用户拉下来 docker compose up -d 就能跑 |
这套组合最大的好处是：一个人能全栈搞定。
二、核心架构
javascript
┌─────────────┐ HTTP API ┌──────────────┐
│ Streamlit │ ────────────────► │ FastAPI │
│ 前端:8501 │ │ 后端:8001 │
└─────────────┘ └──────┬───────┘
│
┌─────────┴─────────┐
│ chat_agent.py │──► DeepSeek
│ (对话+危机检测) │
├───────────────────┤
│ engine.py │
│ (量表评分引擎) │
└─────────┬─────────┘
│
┌────▼────┐
│ scales/ │
│ JSON量表 │
└─────────┘API 设计
一共 5 个端点，很克制：
python
GET /api/scales # 量表列表
GET /api/scales/{id} # 量表详情（含题目）
POST /api/scales/{id}/score # 提交答案，返回评分
POST /api/chat # AI 对话
POST /api/summary # 对话结束后生成评估摘要为什么不做流式？做了，/api/chat/stream 用 SSE 返回，但 Streamlit 的 st.chat_message + 流式渲染在 1.28 版本后体验才够好。非流式在 DeepSeek 下响应时间 1-2 秒，能接受。
三、量表引擎：最花心思的部分
评分逻辑
四种量表评分方式不一样，engine.py 统一处理：
python
# PHQ-9 / GAD-7：直接看原始分
# 0-4 无，5-9 轻，10-14 中，15-21/27 重
# SDS / SAS：先算粗分，转指数
# 指数 = 粗分 / 80 × 100
# 按指数判定：0-49 无，50-59 轻，60-69 中，70-100 重反向计分，最容易写错的地方
SDS 有 10 道反向题（如"我感到早晨心情最好"------选"没有"反而是抑郁），SAS 有 5 道。
python
# engine.py
if qid in reverse_items:
raw_score = 5 - raw_score公式是 5 - raw_score，因为选项是 1-4 分。如果选"没有或很少时间"(分=1)，反向后变成 4。验证时我算了一遍：
arduino
Q2 "我感到早晨心情最好" → 选"小部分时间"(分=2)
→ 反向计分 5-2=3（分数越高越抑郁 ✓）危机预警双层防御
arduino
对话层 → check_crisis("想死", "自杀"...) → 匹配则返回热线
量表层 → PHQ-9 第9题 > 0 → alert_rules 弹出危机提示不依赖 AI 判断，纯规则匹配，宁可误报不可漏报。
四、AI 对话：提示词设计
System Prompt
核心就一个原则：不要让他觉得自己在被审问。
diff
你是一位专业的心理评估师，名叫"心晴助手"。
- 通过自然对话了解用户的心理状态
- 使用情绪、睡眠、社交、压力、自我认知 5 个维度评估
- 语气温和、共情、不评判
- 不要下诊断，只用"可能"、"初步判断"等措辞
- 每次回答控制在 100-200 字
- 自然地引导对话，不要像审问一样连续提问实测效果：用户说"最近睡不好"，AI 回复不是直接甩量表，而是"听起来你最近压力比较大，能具体说说失眠的表现吗？比如入睡困难还是容易醒？"
评估摘要 Prompt
对话 4 轮以上后，用户可以点"生成评估报告"。这里有个坑------最开始我直接复用 chat() 函数，结果 AI 继续以咨询师角色回复，而不是生成摘要。
修复 ：新增独立的 summarize() 函数，不注入对话系统提示词：
python
# 新函数，不含 SYSTEM_PROMPT
async def summarize(messages, system_prompt):
full_messages = [{"role": "system", "content": system_prompt}] + messages
# ... 直接调 LLM API五、踩坑记录
1. Streamlit 的 rerun 陷阱
量表答题是逐题进行的，用户选一题 → 存 session_state → st.rerun() → 显示下一题。但 st.rerun() 后所有未缓存的请求会重新执行，如果不小心在 rerun 前调了 API，后端会被刷爆。
解决 ：用 if qid in st.session_state.scale_answers: continue 跳过已答题。
2. 路径问题
一开始 SCALES_DIR 写的是 os.path.join(os.path.dirname(__file__), "..", "scales")。这在开发环境没问题，但 Docker 打包后 __file__ 的路径变了，量表加载失败。
解决 ：支持 SCALES_DIR 环境变量覆盖，fallback 到约定路径。
3. PHQ-9 第 8 题的笔误
原 JSON 数据里第 8 题是"动作或说话速度缓慢到别人已经察觉？或正好相反------ Loss 得比平常更多"。这个 Loss 明显是翻译残留。改了。
4. LLM 调用没有重试
最开始直接 httpx.post()，没有重试。DeepSeek 偶尔会有 5xx 或超时，用户对话到一半报错很劝退。
解决 ：用 tenacity 加 3 次重试，指数退避，全部失败后返回友好提示。
六、运行效果
ruby
$ curl -X POST http://localhost:8001/api/chat \
-H "Content-Type: application/json" \
-d '{"messages":[{"role":"user","content":"最近睡不好，心情也很低落"}]}'
{
"reply": "听起来你最近状态不太好，能具体说说吗？比如睡不着是因为脑子里想事情，还是身体上不舒服？"
}PHQ-9 答题结果示例（总分 8，轻度抑郁）：
erlang
📊 PHQ-9 评估结果
总分：8
等级：轻度抑郁
建议：可能有轻度抑郁情绪。建议关注自身情绪变化...七、Docker 一键部署
bash
git clone https://github.com/tangwenqing123/mood-assistant
cd mood-assistant
cp backend/.env.example backend/.env
# 编辑 .env 填入 DeepSeek API Key
docker compose up -d
# 前端 http://localhost:8501整个镜像加起来 600MB（Python 3.11-slim + FastAPI + Streamlit），不算大。
八、复盘
做得好的：
- 量表数据 JSON 配置化，加新量表零代码
- 危机检测双层防御
- 前后端分离，API 可复用
可以更好的：
- 没有测试覆盖（纯手测）
- 对话历史存在 Streamlit session_state 里，刷新就丢
- 没有用户系统（当前就是匿名使用）
项目地址：github.com/tangwenqing... 欢迎 Star，欢迎 PR，欢迎拿去改造成自己的版本。