在人工智能辅助的自闭症谱系障碍早期密集行为干预（EIBI）领域，数据稀缺和策略一致性是两大核心挑战。尽管应用行为分析（ABA）是临床干预的金标准，但通用大语言模型（LLM）难以严格遵循其标准化流程，常常产生语言流畅但策略不一致的交互。为了应对这些问题，研究人员提出了ASDAgent——一个策略感知的智能体框架，旨在统一高保真干预对话合成与临床决策支持。
ASDAgent包含两个专门组件：医生智能体（DoctorAgent）和儿童智能体（ChildAgent）。医生智能体配备了观察-思考-行动-修正（O-T-A-C）推理循环，通过将ABA执行过程显式化和可控化，解决了LLM中的策略崩溃问题。儿童智能体则利用概率行为建模来缓解数据同质性，模拟多样化且非确定性的自闭症谱系障碍反应模式。这两个组件协同工作，使得ASDAgent能够生成既符合ABA标准又具有多样性的干预对话。
实验结果显示，ASDAgent生成的对话与人类治疗师的策略分布非常接近，KL散度仅为0.083，表明其策略分布高度相似。在实际自闭症干预场景中，ASDAgent与人类专家的策略一致性接近80%，显示了其强大的临床辅助潜力。此外，研究还表明，ASDAgent产生的合成数据能够有效地将专业临床知识蒸馏到小型语言模型（SLM）中，显著增强它们的治疗能力，这为资源受限环境下的AI辅助干预提供了新途径。
这项研究由Junhong Lai、Shuzhong Lai等多位作者共同完成，已被2026年ACL主会议接收。ASDAgent框架不仅为AI辅助自闭症干预提供了新的解决方案，也为其他需要严格遵循临床规程的应用场景（如心理治疗、康复训练等）提供了可借鉴的思路。未来，该框架有望在更多临床领域发挥作用，推动AI从纯粹的对话生成走向真正的临床决策支持。