一、前言

       在长期从事心理健康服务的过程中，接触并处理了大量面向青少年与企业员工的心理评估需求。两类群体虽所处场景不同、压力来源各异，却都在快节奏、高负荷的现代环境下面临着情绪调节、压力管理与心理适应等共性挑战。其中，企业员工群体的需求尤为集中且复杂：工作压力、职业倦怠、人际沟通、情绪波动、职业认同等问题，不仅影响个体状态，更直接关系到组织效能、团队稳定与企业长期发展。

       传统 EAP 服务往往依赖人工访谈、量表测评与线下咨询，流程长、效率有限，且难以实现规模化、个性化与实时化分析。随着大模型技术与数字化工具的成熟，员工心理评估、风险预警、报告生成与干预建议正在迎来全新的解决方案，今天是结合真实场景需求，对企业员工心理评估体系进行深度解析，从痛点梳理、量表应用、数据化分析到智能工具落地，完整呈现已经规模化应用的员工心理健康服务思路，为企业 EAP 升级与员工关怀提供务实参考。

二、核心基础

1. EAP 评估量表的核心定义

       EAP，全称Employee Assistance Program，即员工援助计划，是企业为员工提供的系统性心理支持与职业发展援助方案，而 EAP 评估量表则是量化评估员工心理状态、工作压力、职业满意度等维度的标准化工具。其核心价值在于将抽象的员工心理状态转化为可量化、可分析的指标，帮助企业精准识别员工心理风险、制定针对性干预策略。

EAP 评估量表通常包含多个维度：

• 心理压力维度：涵盖工作压力、生活压力、人际关系压力等子项，采用 1-5 分李克特量表计分
• 情绪状态维度：评估焦虑、抑郁、乐观度等情绪指标
• 职业适配维度：分析工作满意度、职业倦怠、岗位匹配度等
• 社会支持维度：衡量家庭、同事、上级的支持程度
• 从技术视角看，EAP 评估量表的数字化是实现智能分析的基础，其本质是将标准化的心理评估逻辑转化为结构化的数据采集、存储、分析流程。

2. 前端展示界面的核心要求

EAP 评估系统的前端界面需满足三大核心诉求：

• 1. 用户体验友好性：评估流程需简洁流畅，避免冗长复杂的表单填写，减少用户抵触心理
• 2. 数据采集准确性：确保量表题目展示、选项选择、分数计算的精准性
• 3. 交互反馈及时性：评估过程中提供必要的引导，评估完成后快速反馈初步结果

前端技术栈选择需兼顾兼容性与开发效率，推荐使用：

• 基础框架：Vue3，组合式 API 更适合复杂表单开发
• UI 组件库：Element Plus，表单组件丰富，适配性强
• 状态管理：Pinia，轻量型状态管理，适合中小型应用
• 数据可视化：ECharts，评估结果可视化展示

3. 大模型在 EAP 分析中的作用

大模型在 EAP 评估中的核心价值在于将结构化的评估分数转化为专业、个性化、可落地的分析建议，其核心作用体现在：

• 量化数据解读：将冰冷的分数转化为通俗易懂的心理状态描述
• 个性化建议生成：基于评估者的得分特征，生成针对性的心理调节、工作改进建议
• 风险等级判定：结合行业基准数据，判定评估者的心理风险等级
• 趋势分析能力：对比历史评估数据，分析心理状态变化趋势

大模型在此场景下的应用区别于通用聊天场景，核心要求是专业性、严谨性、安全性，需避免生成误导性、非专业的建议。

4.  基础技术架构

完整的 EAP 评估系统技术架构分为三层：

• 前端展示层：负责评估量表展示、用户交互、结果可视化
• 后端服务层：负责分数计算、权限校验、大模型请求封装、数据校验
• 数据存储层：负责存储评估结果、用户信息、量表配置、行业基准数据
• 大模型接口层：负责与大模型 API 对接，实现 prompt 构建、响应解析、结果格式化

三、EAP 评估系统基础原理

1. EAP 评估量表的计分原理

EAP 评估量表采用标准化的心理测量学计分方式，核心原理包括：

1.1 维度计分规则

以经典的 EAP 压力评估量表为例，其计分逻辑如下：

• 1. 反向题处理：部分题目为反向计分，如"我对工作充满热情"，1 分代表完全不符合，5 分代表完全符合；而"我经常感到工作疲惫"则为正向计分
• 2. 维度求和：同一维度下的题目得分求和，得到维度总分
• 3. 标准化转换：将维度总分转换为标准分（Z分数），公式为：Z=(X−μ)/σ，其中X为原始分，μ为常模平均分，σ为常模标准差
• 4. 风险等级划分：根据标准分划分风险等级，低风险：Z<0.5；中风险：0.5≤Z<1.5；高风险：Z≥1.5

1.2 常模数据的作用

• 常模数据是 EAP 评估的基准，来源于同行业、同岗位、同年龄段的大规模样本调研；
• 其作用是将个体得分放在群体中进行对比，避免单纯的分数绝对值导致的误判。

2. 前端交互的核心原理

EAP 评估前端界面的核心交互原理围绕表单状态管理和分步提交逻辑展开：

• 1. 表单状态管理：通过响应式数据记录用户的答题选择，实时校验必填项
• 2. 分步提交逻辑：将长量表拆分为多个步骤，每完成一步保存当前状态，支持断点续答
• 3. 进度计算逻辑：基于已答题数/总题数计算评估进度，实时展示
• 4. 数据校验逻辑：提交前校验所有题目是否完成作答，避免数据缺失

3. 大模型分析的核心原理

大模型在 EAP 分析中的应用核心是Prompt 工程与结构化输出，其底层原理包括：

3.1 Prompt 构建原理

有效的 EAP 分析 Prompt 需包含以下核心要素：

角色设定：你是一名资深的EAP心理咨询师，拥有10年以上员工心理评估分析经验

任务描述：基于以下EAP评估数据，生成专业、严谨、易懂的分析报告和建议

数据输入：{评估分数JSON数据}

输出格式：

1. 整体评估总结（200字以内）

2. 各维度详细分析（每个维度150字左右）

3. 风险等级判定（低/中/高风险）

4. 个性化改进建议（分工作、生活、心理调节三个维度，各1-2条）

专业要求：

- 避免使用专业术语，确保非心理学背景人员能理解

- 建议需具体可落地，避免空泛的表述

- 禁止给出医疗诊断类结论，仅提供心理调节建议

- 高风险情况需提示及时寻求专业心理咨询帮助

3.2 响应解析原理

大模型返回的文本需进行结构化解析，核心步骤：

• 1. 格式校验：检查返回内容是否符合预设格式
• 2. 内容提取：提取评估总结、维度分析、风险等级、改进建议等关键信息
• 3. 格式转换：将文本信息转换为前端可展示的 JSON 结构
• 4. 内容审核：过滤不符合专业规范、存在风险的表述

4. 数据流转核心原理

EAP 评估系统的完整数据流转流程：

关键技术要点：

• 前端本地缓存：使用 localStorage 缓存答题状态，避免页面刷新丢失数据
• 数据加密传输：评估数据采用 HTTPS+AES 加密传输，保护用户隐私
• 异步处理机制：大模型请求采用异步处理，避免前端长时间等待
• 异常处理逻辑：大模型服务异常时，启用预设的规则化分析方案

四、系统开发执行流程

1. 需求分析与方案设计

1.1 核心需求拆解

1.2 技术方案选型

2. 前端界面核心业务

由于页面的内容很多，代码比较长，我们通过核心的部分来说明涉及到的重要部分，实现一个基于 Vue 3 + Element Plus + ECharts 的单页应用，用于员工心理评估EAP；

2.1 核心业务逻辑：提交评估 (submitAssessment)

这是整个应用最关键的函数，负责验证用户输入、调用后端 API、处理响应并切换页面。

const submitAssessment = async () => {
    // 1. 验证所有必填题是否都已作答
    const unAnswered = questions
        .filter(q => q.required)
        .some(q => !answers[q.id]);
    if (unAnswered) {
        ElMessage.warning('请完成所有必填题目的作答');
        return;
    }
    submitting.value = true; // 开启加载状态
    try {
        // 2. 数据格式化：将答案从字符串转换为数字
        const answersData = {};
        Object.keys(answers).forEach(qid => {
            answersData[qid] = parseInt(answers[qid]);
        });
        let response;
        // 3. 尝试调用真实后端 API
        try {
            response = await axios.post('http://localhost:8000/api/assessment/analyze', {
                answers: answersData
            });
        } catch (apiError) {
            // 4. 降级策略：如果后端不可用，生成高质量的模拟数据
            console.log('后端API不可用，使用模拟数据');
            response = {
                data: {
                    assessment_id: 'demo_' + Date.now(),
                    risk_level: '低风险',
                    risk_description: '您的心理状态整体良好...',
                    summary: '根据您的答题情况...',
                    dimension_scores: { '工作压力': 75, '情绪状态': 82, /*...*/ },
                    dimensions: { '工作压力': '分析文本...', /*...*/ },
                    suggestions: { work: [...], life: [...], mental: [...] }
                }
            };
        }
        // 5. 更新结果状态
        Object.assign(assessmentResult, response.data);
        // 6. 切换视图到结果页
        currentPage.value = 'result';
        loadingResult.value = true;
        // 7. 模拟分析延迟，随后初始化图表
        setTimeout(() => {
            loadingResult.value = false;
            Vue.nextTick(() => {
                initDimensionChart(); // 关键：DOM渲染完成后才画图表
            });
        }, 100);
    } catch (error) {
        console.error('提交评估失败:', error);
        ElMessage.error('评估提交失败，请稍后重试');
    } finally {
        submitting.value = false; // 结束加载状态
    }
};

重点说明：

• 双重 Try-Catch 结构：外层捕获整体逻辑错误，内层专门捕获 API 请求错误。这种设计实现了“前后端分离开发友好”的特性：即使没有启动 Python/Java 后端，前端也能通过 catch 块中的模拟数据完整运行演示流程。
• 数据清洗：parseInt 确保传给后端的是数字类型，避免类型错误。
• 异步时序控制：使用 setTimeout 模拟服务器计算时间，提升用户体验；使用 Vue.nextTick 确保在切换到 result 页面且 DOM 元素（#dimensionChart）渲染完毕后，再执行 ECharts 初始化，防止因 DOM 不存在导致的报错。

2.2 数据可视化：初始化图表 (initDimensionChart)

该函数负责在结果页面渲染雷达图或柱状图，直观展示用户在各个心理维度上的得分。

const initDimensionChart = () => {
    const chartDom = document.getElementById('dimensionChart');
    if (!chartDom) return; // 安全校验
    const myChart = echarts.init(chartDom);
    // 1. 动态提取数据
    const dimensionScores = assessmentResult.dimension_scores || {};
    const dimensions = Object.keys(dimensionScores);
    const scores = dimensions.map(d => dimensionScores[d]);
    const maxScores = Array(dimensions.length).fill(100); // 构造满分参考线
    if (dimensions.length === 0) return;
    // 2. 配置 ECharts 选项
    const option = {
        title: { text: 'EAP评估各维度得分对比', left: 'center' },
        tooltip: { trigger: 'axis' },
        legend: { data: ['您的得分', '满分'], bottom: 0 },
        grid: { containLabel: true }, // 自适应标签
        xAxis: {
            type: 'category',
            data: dimensions,
            axisLabel: { rotate: 15 } // 标签倾斜防止重叠
        },
        yAxis: { type: 'value', max: 100, min: 0 },
        series: [
            {
                name: '您的得分',
                type: 'bar',
                data: scores,
                itemStyle: { color: '#409eff' }, // 品牌色
                label: { show: true, position: 'top' }
            },
            {
                name: '满分',
                type: 'bar',
                data: maxScores,
                itemStyle: { color: '#e5e9f2' }, // 浅灰色背景条
                label: { show: true, position: 'top' }
            }
        ]
    };
    myChart.setOption(option);
    // 3. 响应式适配
    window.addEventListener('resize', () => {
        myChart.resize();
    });
};

重点说明：

• 动态数据驱动：图表的 X 轴（维度名称）和数据系列完全依赖于 assessmentResult.dimension_scores 对象，这意味着后端返回不同的维度定义，前端无需修改代码即可自动适应。
• 对比可视化：通过绘制两组数据（用户得分 vs 满分），直观地让用户看到自己的差距。
• 响应式监听：绑定了 window.resize 事件，当浏览器窗口大小改变时，图表会自动重绘，保证在移动端和桌面端都显示正常。

2.3 状态重置：重新评估 (restartAssessment)

用于清空当前状态，让用户可以重新开始测试，而无需刷新整个网页。

const restartAssessment = () => {
    // 1. 切换回评估页面
    currentPage.value = 'assessment';
    
    // 2. 清空答题记录 (answers 是 reactive 对象，需逐个删除 key)
    Object.keys(answers).forEach(key => delete answers[key]);
    
    // 3. 清空之前的评估结果
    Object.keys(assessmentResult).forEach(key => delete assessmentResult[key]);
    
    // 注意：不需要手动重置图表，因为切回 assessment 页面后，
    // result 页面的 DOM 会被 v-if 销毁，下次进入时会重新 initDimensionChart
};

重点说明：

• 响应式对象的清理技巧：在 Vue 3 中，直接对 reactive 对象赋值为 {} (如 answers = {}) 会切断响应式连接，导致视图不更新。正确做法是遍历并 delete 属性，或者使用 Object.assign(answers, {})。这里使用了 delete 循环，确保了状态的彻底清空且保持响应性。
• 生命周期管理：利用 v-if 的特性，当 currentPage 切换时，结果页面的 DOM（包括 ECharts 容器）会被销毁，内存中的图表实例也会随之释放，避免了内存泄漏。

2.4 辅助功能：下载报告 (downloadReport)

实现前端触发后端文件流下载的功能。

const downloadReport = async () => {
    try {
        const assessmentId = assessmentResult.assessment_id || 'demo_report';
        
        // 1. 请求二进制流 (blob)
        const response = await axios.get(
            `http://localhost:8000/api/assessment/report/${assessmentId}/download`, 
            { responseType: 'blob' } // 关键：告诉 axios 处理二进制数据
        );
        
        // 2. 创建临时下载链接
        const url = window.URL.createObjectURL(new Blob([response.data]));
        const link = document.createElement('a');
        link.href = url;
        link.setAttribute('download', `EAP评估报告_${new Date().getTime()}.pdf`);
        
        // 3. 触发点击并清理
        document.body.appendChild(link);
        link.click();
        document.body.removeChild(link);
        window.URL.revokeObjectURL(url); // 释放内存
        
        ElMessage.success('报告下载成功');
    } catch (error) {
        ElMessage.error('下载报告失败，请稍后重试');
    }
};

重点说明：

• Blob 处理：responseType: 'blob' 是下载文件的核心，它防止 axios 尝试将 PDF/Excel 文件解析为 JSON 或文本。
• 内存管理：使用 createObjectURL 创建临时的内存引用，下载完成后必须调用 revokeObjectURL 释放，否则会导致浏览器内存泄漏。
• 动态文件名：文件名包含时间戳，防止浏览器缓存导致多次下载同名文件时出错。

前端优化基于实际应用的实践性：

• 容错性强：内置 Mock 数据，考虑了生成环境也配置了演示数据，后端挂了也能演示。
• 交互流畅：利用 nextTick 和 v-if 完美处理了图表渲染时机。
• 数据驱动：图表和报告内容完全由后端返回的 JSON 动态生成，扩展性高。
• 用户体验：包含了加载状态 (loading)、表单验证、成功/失败消息提示 (ElMessage) 以及响应式布局。

3. 后端服务核心业务

我们构建了一个基于 FastAPI 的后端服务，其核心创新点在于将 传统心理测量学计分逻辑 与 本地部署的大语言模型（Qwen1.5-1.8B） 相结合，实现了完全离线、隐私安全的智能心理评估报告生成。以下是提取出的核心方法体及其详细功能介绍：

3.1 核心计分引擎：完整评估流程 (process_assessment)

这是 EAPScoringEngine 类的主入口，负责将原始答题数据转化为标准化的心理评估数据。这部分逻辑是确定性的，不依赖 AI。

def process_assessment(self, answers: Dict[str, int]) -> Dict[str, Any]:
    """完整的评估处理流程"""
    # 1. 处理反向题（例如：q10 是反向计分，需转换）
    processed_answers = self.process_reverse_questions(answers)
    
    # 2. 计算各维度原始分并转换为百分制 (0-100)
    dimension_scores = self.calculate_dimension_scores(processed_answers)
    
    # 3. 基于常模数据计算标准分 (Z-Score)，用于横向对比
    standard_scores = self.calculate_standard_scores(dimension_scores)
    
    # 4. 根据 Z 分数判定风险等级 (低/中/高)
    risk_info = self.determine_risk_level(standard_scores)
    
    return {
        "raw_answers": answers,
        "processed_answers": processed_answers,
        "dimension_scores": dimension_scores,
        "standard_scores": standard_scores,
        "risk_info": risk_info
    }

重点说明：

• 反向题处理：心理量表中常包含反向题，如“我感到快乐”vs“我感到悲伤”，此步骤确保所有题目方向一致，分值越高代表状态越差或越好，视具体维度定义而定。
• 标准化评分 (Z-Score)：不仅仅看绝对分数，而是通过(用户分 - 常模均值)/标准差 计算Z分数。这使得不同维度的分数具有可比性，能科学地判定用户在人群中的相对位置。
• 风险分级逻辑：基于平均 Z 分数自动划分风险等级（<0.5 低风险，0.5-1.5 中风险，>1.5 高风险），为后续的报告生成提供定性依据。

3.2 本地模型延迟加载 (load_model)

为了节省内存和加快启动速度，模型不会在程序启动时立即加载，而是在第一次需要生成报告时才加载。

def load_model(self):
    """延迟加载本地模型"""
    if self.model is None or self.tokenizer is None:
        try:
            from modelscope import snapshot_download
            from transformers import AutoTokenizer, AutoModelForCausalLM
            import torch

            print("正在加载本地模型...")
            # 1. 从 ModelScope 下载/获取模型本地路径
            local_model_path = snapshot_download(self.model_name, cache_dir=self.cache_dir)
            
            # 2. 加载分词器
            self.tokenizer = AutoTokenizer.from_pretrained(local_model_path, trust_remote_code=True)
            
            # 3. 加载模型权重
            # 关键点：根据设备自动选择精度 (CUDA用float16显存减半，CPU用float32)
            # device_map="auto" 让 Transformers 自动分配层到 GPU
            self.model = AutoModelForCausalLM.from_pretrained(
                local_model_path,
                trust_remote_code=True,
                torch_dtype=torch.float16 if self.device == "cuda" else torch.float32,
                device_map="auto" if self.device == "cuda" else None
            )

            # 如果是 CPU 运行，需手动移动到 CPU 设备
            if self.device != "cuda":
                self.model = self.model.to(self.device)

            print("本地模型加载完成")
        except Exception as e:
            print(f"加载本地模型失败: {str(e)}")
            raise

重点说明：

• ModelScope 集成：使用 snapshot_download 自动处理模型的下载和缓存，无需手动管理模型文件。
• 显存优化：在 GPU 环境下自动使用 float16 半精度推理，显著降低显存占用，1.8B 模型仅需约 2-3GB 显存。
• 设备自适应：代码自动检测是否有 CUDA 环境，若无则降级到 CPU 运行，保证代码在不同硬件上都能跑通，尽管CPU速度较慢。

3.3 本地模型推理调用 (call_local_model)

这是与本地 Qwen 模型交互的核心方法，负责构建对话模板并生成文本。

def call_local_model(self, prompt: str) -> str:
    """调用本地Qwen模型"""
    try:
        # 1. 确保模型已加载（触发延迟加载）
        if self.model is None or self.tokenizer is None:
            self.load_model()

        # 2. 构建符合 Chat 模型要求的消息列表
        messages = [
            {
                'role': 'system',
                'content': '你是一位专业的心理咨询师和EAP（员工帮助计划）评估专家，请根据用户的评估数据生成专业、人性化的心理分析报告。'
            },
            {
                'role': 'user',
                'content': prompt
            }
        ]

        # 3. 应用 Qwen 特有的 Chat 模板 (自动添加 special tokens)
        text = self.tokenizer.apply_chat_template(
            messages,
            tokenize=False,
            add_generation_prompt=True
        )

        # 4. 编码输入并移动到指定设备
        model_inputs = self.tokenizer([text], return_tensors="pt").to(self.device)

        # 5. 生成响应
        generated_ids = self.model.generate(
            model_inputs.input_ids,
            max_new_tokens=1500,      # 限制最大生成长度
            temperature=0.7,          # 温度参数，控制随机性
            do_sample=True,           # 开启采样
            top_p=0.9,                # Top-p 采样，核采样
            repetition_penalty=1.1    # 重复惩罚，防止车轱辘话
        )

        # 6. 解码响应（关键：只解码新生成的部分，去除输入提示词）
        generated_ids = [
            output_ids[len(input_ids):]
            for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
        ]

        response = self.tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

        return response

    except Exception as e:
        print(f"调用本地模型失败: {str(e)}")
        return None

重点说明：

• Chat Template：使用 apply_chat_template 是调用现代对话模型的标准做法，它能正确处理 <|im_start|> 等特殊标记，避免格式错误。
• 输出清洗：代码中 output_ids[len(input_ids):] 这一步至关重要，它切掉了输入的 Prompt 部分，只保留模型生成的回答，防止返回内容中包含用户输入的数据。
• 采样策略：temperature=0.7 和 top_p=0.9 的组合能在“专业性”和“多样性”之间取得平衡，使报告既准确又不死板。

3.4 智能报告生成与整合 (generate_assessment_report)

该方法串联了统计引擎和本地大模型，是业务逻辑的总控。

def generate_assessment_report(self, answers: Dict[str, int], scoring_engine) -> Dict[str, Any]:
    """生成完整的评估报告"""
    # 1. 获取基础统计数据
    assessment_data = scoring_engine.process_assessment(answers)
    dimension_scores = assessment_data["dimension_scores"]
    risk_info = assessment_data["risk_info"]

    # 2. 构建结构化 Prompt (提示词工程)
    prompt = f"""请根据以下EAP评估数据，生成一份专业的心理分析报告（请以JSON格式返回）：

【评估数据】
风险等级：{risk_info['risk_level']}
平均Z分数：{risk_info['avg_z_score']}
各维度得分：
- 工作压力：{dimension_scores['工作压力']}分
- 情绪状态：{dimension_scores['情绪状态']}分
- ... (其他维度)

【返回格式要求】
请以JSON格式返回，包含以下字段：
{{
    "summary": "整体评估总结",
    "dimensions": {{ "工作压力": "分析...", ... }},
    "suggestions": {{ "work": [...], "life": [...], "mental": [...] }}
}}
请确保分析内容专业、人性化和可操作。"""

    # 3. 调用本地大模型 API
    llm_response = self.call_local_model(prompt)

    # 4. 解析响应或触发降级
    if llm_response:
        print(f"本地模型返回内容: {llm_response[:200]}...")
        llm_report = self.parse_llm_response(llm_response, assessment_data)
    else:
        print("本地模型调用失败，使用备用分析方案")
        # 模型加载失败或推理出错，使用规则模板兜底
        llm_report = self.generate_fallback_report(assessment_data)

    # 5. 整合最终报告
    full_report = {
        "assessment_id": f"eap_{int(time.time())}",
        "create_time": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
        "dimension_scores": assessment_data["dimension_scores"],
        "standard_scores": assessment_data["standard_scores"],
        **llm_report  # 合并大模型生成的文本内容
    }

    return full_report

重点说明：

• 混合架构：结合了“传统统计逻辑”（计分引擎）和“生成式 AI”（本地 Qwen）。统计保证分数的准确性，AI 负责生成自然语言的解读和建议。
• Prompt 约束：强制要求模型返回 JSON 格式，并在 Prompt 中给出了明确的 Schema 示例，极大提高了后续解析的成功率。
• 无缝降级：如果本地模型因为显存不足、加载错误或推理超时而失败，系统会自动切换到 generate_fallback_report，基于规则的模板，保证服务永远可用。

3.5 响应解析与清洗 (parse_llm_response)

负责处理大模型返回的原始文本，将其清洗并转换为 Python 字典。

def parse_llm_response(self, llm_response: str, assessment_data: Dict[str, Any]) -> Dict[str, Any]:
    """解析大模型返回的响应"""
    try:
        import json
        import re

        cleaned_response = llm_response.strip()

        # 1. 去除 Markdown 代码块标记 (大模型常返回 ```json ... ```)
        if cleaned_response.startswith("```json"):
            cleaned_response = cleaned_response[7:]
        elif cleaned_response.startswith("```"):
            cleaned_response = cleaned_response[3:]
        if cleaned_response.endswith("```"):
            cleaned_response = cleaned_response[:-3]
        cleaned_response = cleaned_response.strip()

        # 2. 去除不可见的控制字符，防止 JSON 解析报错
        cleaned_response = re.sub(r'[\x00-\x08\x0b\x0c\x0e-\x1f\x7f-\x9f]', '', cleaned_response)

        # 3. 尝试解析 JSON
        response = json.loads(cleaned_response)

        # 4. 数据完整性校验与默认值填充
        return {
            "summary": response.get("summary", ""),
            "dimensions": response.get("dimensions", {}),
            # 关键点：风险等级必须使用统计引擎计算的结果，严禁使用 AI 生成的，防止幻觉
            "risk_level": assessment_data["risk_info"]["risk_level"], 
            "risk_description": assessment_data["risk_info"]["risk_description"],
            "suggestions": response.get("suggestions", {"work": [], "life": [], "mental": []})
        }

    except json.JSONDecodeError as e:
        # 5. 解析失败兜底：如果 AI 返回的不是合法 JSON，直接切换到备用方案
        print(f"JSON 解析失败：{e}")
        return self.generate_fallback_report(assessment_data)

重点说明：

• 兼容性清洗：除了去除 Markdown 标记，还使用了正则表达式去除不可见控制字符，这在本地小模型生成不稳定时非常有用。
• 关键数据锁定：代码中 risk_level 和 risk_description 强制使用 assessment_data 中的值，完全忽略大模型的返回。
• 原因：风险等级是严肃的医疗/心理结论，必须基于数学计算。大模型可能会产生幻觉，例如把高分说成低风险，因此必须由代码逻辑“锁死”结论，大模型只负责“解释”原因。
• 双重兜底：如果 JSON 解析失败，立即捕获异常并调用 generate_fallback_report，确保接口永远返回合法的结构化数据，不会导致前端崩溃。

经过实用应用落地运行和反复优化，已经实现了以下最佳实践：

• 数据隐私：所有推理过程在本地完成（call_local_model），用户心理数据不出内网。
• 资源友好：选用 Qwen1.5-1.8B 小模型，配合 float16 和延迟加载，普通显卡甚至高性能 CPU 即可运行。
• 高可用性：拥有多层 fallback 机制（模型加载失败 -> 推理失败 -> JSON 解析失败 -> 规则模板兜底），保证系统极其稳定。
• 严谨性：核心的风险定级由统计算法决定，避免了 AI 的不确定性带来的伦理风险。

后端接口运行日志和数据返回：

报告下载与打印：

五、总结

       整个项目说到底，就是把传统的 EAP 服务从靠人、靠经验的模式，搬到了大模型 + 数字化的跑道上。以前做员工评估，往往是填完表、等报告、等咨询，周期长、个性化也很难做到精准。现在借助大模型，从员工答题、数据处理、维度分析，到风险等级判定、生成个性化报告，整个流程都被大幅压缩了。而且算法能反复学习、不断优化，评估结果也越来越稳定。

       整个不仅能做标准化的量表评估，还能把员工的压力、情绪、职业满意度等数据变成直观的图表，让企业管理者一眼就能看懂团队的整体状态。真正的价值，在于把看不见的心理问题变成了可量化、可追踪、可干预的管理指标。对企业来说，既能提前预警高风险员工，提供及时干预，也能基于数据优化管理策略、提升组织效能。对员工来说，得到的是更高效、更私密、更懂你的心理关怀。

       所以，这个项目不只是一个技术工具，更是一套全新的员工心理健康管理解决方案。把技术落地到业务场景里，让 EAP 从成本项变成增值项，这才是大模型在心理行业真正该有的样子。