WeClaw_79｜词表校准与误报治理：从实测回放看召回率与误报率的平衡术
系列文章第 79 篇 - 从 12 条真实消息的"打脸回放"，看关键词表如何从"想当然"走向"数据驱动"
📚 专栏信息
《从零到一构建跨平台 AI 助手：WeClaw 实战指南》专栏
本文是模块八【心理健康与危机守护】第 6 篇。前几篇（74-78）讲了分层架构与判定逻辑， 本篇聚焦一个更"接地气"的工程问题：关键词表怎么校准？ 初版词表是"拍脑袋"写的——直到我们用 12 条真实消息回放，发现召回率惨不忍睹； 英文词表差点把"挂电话会议"误判为自杀意图。本文完整复盘从"想当然"到"数据驱动"的校准过程。
🧠 模块八【心理健康与危机守护】(9 篇)： 74 分层总览 / 75 L0 关键词闸门 / 76 L1-L2 双重确认 / 77 RiskLevel 全序 Bug / 78 危机资源零编造红线 / 79 词表校准与误报治理 / 80 L4 监护人告警 / 81 伦理边界 / 82 校准测试框架
👨💻 作者与项目
作者简介：翁勇刚 WENG YONGGANG 新概念龙虾-WeClaw 开发团队负责人，一群专注于跨平台 AI 应用的实践者 理念："再复杂的技术，也能用代码讲清楚"
- 💻 项目地址：https://github.com/wyg5208/weclaw.git
- 🌐 官网地址：https://weclaw.link
- 📝 作者 CSDN：https://blog.csdn.net/yweng18
- ⭐ 欢迎 Star⭐、Fork🍴、贡献代码🤝
⚠️ 本文涉及心理危机话题。如果你或身边的人正处于危机中，请立即联系文末经核验资源。
📝 摘要
本文结构概览： 本文完整复盘 L0 关键词表的校准过程：初版词表"拍脑袋"写了 30 个词， 用 12 条真实消息回放后发现召回率仅 8%（12 条只命中 1 条）； 英文词表差点把 "jump off the call"（挂电话会议）误判为自杀意图。 然后讲解 WeClaw 如何用"三类词表 + 排除表区间抵消 + 语料集回归"建立数据驱动的校准闭环： 每次误报/漏报都变成永久测试用例，词表变更必须通过语料集回归才能合入。
背景：关键词表是 L0 闸门的"灵魂"——表不好，后面 L1-L4 再精密也白搭。
核心问题：如何在"高召回"（不漏报）和"低误报"（不骚扰）之间找到平衡？
解决方案：三类分级词表 + NEGATIVE_LOOKALIKE 区间抵消 + 双语料集回归（FP≥50 / Recall≥20）。
关键成果：
- 召回率从 8% → 100%（语料集离线验收）
- 误报语料 critical 命中 = 0（live 验收）
- 每次误报/漏报变成永久回归用例（"钉住"机制）
- 英文词表明确排除 "die"/"killing me"/"dead" 等高误报词
适合读者：做 NLP 关键词系统、内容安全、风控规则引擎的开发者
阅读时长：约 14 分钟
关键词：词表校准、召回率、误报率、区间抵消、语料集回归、L0闸门、数据驱动
一、实测打脸：12 条消息只命中 1 条
1.1 回放实验设计
v9.0.0 开发期间，我们从真实对话日志中脱敏抽取了 12 条"应该触发升级"的消息， 用初版词表跑 L0 闸门：
# 回放脚本（简化）
test_messages = [
"我真的撑不下去了，每天都是煎熬", # ← 命中（"撑不下去"）
"想从楼上飞下去，一了百了", # ← 漏报！
"我不想麻烦任何人了", # ← 漏报！
"把东西都送给你们吧，我用不着了", # ← 漏报！
"突然想通了，都安排好了", # ← 漏报！
"I just want to disappear forever", # ← 漏报！（英文表还没写）
"没有我大家会更好", # ← 漏报！
"写好了遗书，该交代的都交代了", # ← 漏报！
"想去一个很远的地方，再也不回来", # ← 漏报！
"我是大家的负担，不想再拖累了", # ← 漏报！
"I'm better off dead, no point living", # ← 漏报！
"终于想通了，明天就去", # ← 漏报！
]
# 结果：12 条中仅 1 条命中（"撑不下去"），召回率 = 8.3%
1.2 为什么初版词表这么"瞎"？
初版词表只有"直白类"：
# 初版（只有这些）
ESCALATION_KEYWORDS = ("不想活", "想死", "自杀", "撑不下去", "结束生命", ...)
问题诊断：
| 漏报原因 | 示例 | 占比 |
|---|---|---|
| 隐晦表达未覆盖 | "突然想通了"/"把东西都送给你们" | 50% |
| 变体/子串不匹配 | "不想麻烦任何人" ≠ "不想再麻烦大家" | 25% |
| 英文词表缺失 | "want to disappear forever" | 17% |
| 坠楼/方式类缺失 | "想从楼上飞下去" | 8% |
核心教训：危机表达绝大多数是隐晦的。 真正说"我想自杀"的人是少数；更多人会说"突然想通了"、"不想再麻烦大家"、"把东西都送给你们"。 这些"告别式语言"才是词表的主力。
📚 学术支撑：Thomas 等（2025）在 AI 心理危机检测综述中指出， 隐晦表达（indirect expressions）占危机话语的 60-70%， 仅靠"直白关键词"的系统召回率通常不超过 30%。 Holmes 等（2025）进一步强调"行为信号"（安排后事、赠送财物、突然平静） 是比"言语信号"更强的预测因子。
二、核心概念解析 —— 三类词表 + 排除表区间抵消
2.1 词表分级架构
┌─────────────────────────────────────────────────────────────────┐
│ L0 关键词表分级架构 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─── ESCALATION（升级词）──────────────────────────────────┐ │
│ │ │ │
│ │ DIRECT（直白类）：不想活/想死/自杀/跳楼/飞下去... │ │
│ │ → 命中即升级，无需上下文 │ │
│ │ │ │
│ │ IMPLICIT（隐晦类）：永别/遗书/不想再麻烦大家/突然想通... │ │
│ │ → 告别式语言、安排后事、情绪平静反转 │ │
│ │ │ │
│ │ EN（英文）：want to die/kill myself/suicide... │ │
│ │ → casefold 后子串匹配；明确排除高误报词 │ │
│ │ │ │
│ └──────────────────────────────────────────────────────────┘ │
│ │
│ ┌─── MOOD（情绪词）────────────────────────────────────────┐ │
│ │ negative：累/烦/难过/焦虑/郁闷... │ │
│ │ stressed：忙死了/受不了/崩溃/焦头烂额... │ │
│ │ tired：困/疲惫/没精神/精力不足... │ │
│ │ → 单独命中不升级；需配合连续负向或排除表 │ │
│ │ → positive 组不参与升级判定 │ │
│ └──────────────────────────────────────────────────────────┘ │
│ │
│ ┌─── NEGATIVE_LOOKALIKE（排除表）──────────────────────────┐ │
│ │ "麻烦" → 抵消 MOOD 词 "烦" │ │
│ │ "困难/困境/困惑/困扰" → 抵消 MOOD 词 "困" │ │
│ │ "积累/累计/累积" → 抵消 MOOD 词 "累" │ │
│ │ "系统崩溃/程序崩溃/服务器崩溃" → 抵消 MOOD 词 "崩溃" │ │
│ │ → 只否决 MOOD 命中，不影响 ESCALATION │ │
│ └──────────────────────────────────────────────────────────┘ │
│ │
│ ┌─── HELP_REQUEST（显式求助）──────────────────────────────┐ │
│ │ 救救我/帮帮我/我需要帮助/我快撑不住了... │ │
│ │ → 不受 MIN_TEXT_LEN=8 限制（短文本也触发） │ │
│ └──────────────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────┘
2.2 什么是"区间抵消"？
问题场景：
用户说："麻烦你帮我查一下这个 bug"
MOOD 词 "烦" 被命中 → 但这是"麻烦"里的"烦"，不是情绪表达！
区间抵消机制：
# 1. 找到 MOOD 词命中区间
mood_hits = [(2, 3, "烦")] # "烦" 在位置 2-3
# 2. 找到排除表命中区间
lookalike_spans = [(0, 4)] # "麻烦" 在位置 0-4（包含 "烦"）
# 3. 判断：MOOD 命中是否被排除表区间完整包含？
_contained_in_any(2, 3, [(0, 4)]) # → True → 抵消！不升级
关键设计：
- 只否决 MOOD 命中：ESCALATION 高危词（"想死"/"自杀"）不受排除表影响。
- 按区间包含关系：不是简单的"文本包含排除词就跳过"，而是精确到字符位置。
- ESCALATION 独立评估：即使文本中有"麻烦"，只要同时有"想死"，照样升级。
2.3 英文词表的"过宽陷阱"
反面教材：
# ❌ 如果英文词表这样写：
ESCALATION_KEYWORDS_EN = ("die", "dead", "kill", "jump off", ...)
# 灾难：
"I'm dying to try this new restaurant" → 命中 "die" → 误报！
"This bug is killing me" → 命中 "kill" → 误报！
"Let me jump off the call" → 命中 "jump off" → 误报！
"The dead battery needs replacement" → 命中 "dead" → 误报！
WeClaw 的做法：
# ✅ 只收明确短语，不收单词
ESCALATION_KEYWORDS_EN: tuple[str, ...] = (
"want to die", "wanna die", "kill myself", "end my life", "end it all",
"suicide", "suicidal",
"don't want to live", "do not want to live",
"better off dead", "wish i was dead",
"self-harm", "hurt myself", "cut myself",
"tired of living", "can't go on",
"want to disappear", "disappear forever",
"better off without me",
"goodbye forever", "final goodbye", "say my goodbyes",
)
# 注释明确写：不收 "die"/"killing me"/"dead" 类高误报词
原则：英文词表只收多词短语（≥2 词），不收单词。 "want to die" 几乎不可能是比喻；"die" 则到处都是比喻。
三、实战代码详解 —— 从漏报到校准
3.1 校准后的完整词表
# src/core/mental_health/analyzer.py
#: 直白类升级词
ESCALATION_KEYWORDS_DIRECT: tuple[str, ...] = (
"不想活", "活不下去", "活下去没意思", "活着没意思", "活着没意义",
"人生没有意思", "人生没有意义", "撑不下去", "熬不下去",
"想死", "想自杀", "自杀", "轻生", "结束生命", "结束自己",
"结束这一切", "结束一切", "伤害自己", "自残", "自伤", "割腕",
"想消失", "消失就好了", "从这个世界消失", "看不到希望", "绝望",
# —— 坠楼/自伤方式类（2026-08-02 实测缺口补充）——
"想死的心", "想跳楼", "跳下去", "飞下去", "一跃而下", "纵身一跃",
"跳河", "跳桥", "卧轨", "上吊", "吞药", "喝农药", "烧炭",
)
#: 隐晦类升级词（告别式语言、安排后事、情绪平静反转）
ESCALATION_KEYWORDS_IMPLICIT: tuple[str, ...] = (
"永别", "和大家告别", "来世再见", "替我照顾好",
"交代后事", "安排后事", "写好了遗书", "遗书",
"把东西都送给", "我的东西都给你们",
"不想再麻烦大家", "不想再拖累", "我是累赘", "是大家的负担",
"没有我大家会更好", "没有我会更好",
"想去很远的地方", "去一个很远的地方", "离开这里再也不回来",
"突然想通了", "终于想通了", "都安排好了",
# —— 变体补充（子串不匹配漏报修复）——
"不想麻烦任何人", "不想再麻烦任何人", "不想拖累任何人",
"不想连累", "不想成为负担", "不想成为别人的负担",
)
3.2 L0 闸门的求值顺序
# src/core/mental_health/analyzer.py — L0Gate.evaluate()
def evaluate(self, text: str) -> L0Decision:
text = (text or "").strip()
if not text:
return L0Decision(False, suppress_reason="too_short")
# ① LRU 去重（同一文本不重复升级）
digest = self._hmac_fn(text)
if digest in self._lru:
return L0Decision(False, suppress_reason="lru_dup")
# ② 日限额 / 预算
if self._snapshot.l1_calls_for(today_str) >= self._settings.l1_daily_limit:
return L0Decision(False, suppress_reason="daily_cap")
if self._budget_exceeded_fn():
return L0Decision(False, suppress_reason="budget")
# ③ 显式求助（不受 8 字限制）
help_hits = _find_phrases(text, HELP_REQUEST_KEYWORDS)
if help_hits:
return L0Decision(True, reason="help_request", matched=...)
# ④ 关键词（MOOD 经排除表区间抵消；ESCALATION 独立评估）
if len(text) >= MIN_TEXT_LEN:
text_cf = text.casefold()
mood_hits = _find_mood_hits(text)
lookalike_spans = [(s, e) for s, e, _ in _find_phrases(text, NEGATIVE_LOOKALIKE)]
surviving = [
(s, e, p) for s, e, p in mood_hits
if not _contained_in_any(s, e, lookalike_spans) # 区间抵消
]
esc_hits = _find_phrases(text_cf, DIRECT + IMPLICIT + EN)
if surviving or esc_hits:
return L0Decision(True, reason="keyword", matched=...)
# ⑤ 连续负向（节流型）
if len(text) >= MIN_TEXT_LEN and self._check_consecutive_negative():
return L0Decision(True, reason="consecutive_negative")
return L0Decision(False, suppress_reason="no_hit")
求值顺序的设计意图：
- HELP_REQUEST 最前：用户主动求助是最强信号，不受长度限制。
- ESCALATION 独立于排除表：高危词永远不被"麻烦"/"困难"抵消。
- MOOD 最弱：单独一个"累"/"烦"不升级，需要连续负向积累。
3.3 区间抵消的实现
def _find_phrases(text: str, phrases: tuple[str, ...]) -> list[tuple[int, int, str]]:
"""返回 [(start, end, phrase)] 全部命中区间。"""
hits = []
for phrase in phrases:
start = 0
while True:
idx = text.find(phrase, start)
if idx < 0:
break
hits.append((idx, idx + len(phrase), phrase))
start = idx + 1
return hits
def _contained_in_any(start: int, end: int, spans: list[tuple[int, int]]) -> bool:
"""命中区间是否被某个排除表区间完整包含。"""
return any(s <= start and end <= e for s, e in spans)
示例：
文本："麻烦你帮我查一下"
MOOD 命中："烦" → (1, 2)
排除表命中："麻烦" → (0, 2)
_contained_in_any(1, 2, [(0, 2)]) → True → 抵消！
文本："烦死了，系统又崩溃了"
MOOD 命中："烦" → (0, 1)，"崩溃" → (5, 7)
排除表命中："系统崩溃" → (3, 7)
"烦"(0,1) 不被 (3,7) 包含 → 存活 → 升级！
"崩溃"(5,7) 被 (3,7) 包含 → 抵消！
3.4 校准注释：每个补充都标注来源
# —— 坠楼/自伤方式类（2026-08-02 实测缺口："想从楼上飞下去"漏报）——
"想死的心", "想跳楼", "跳下去", "飞下去", "一跃而下", "纵身一跃",
# —— "麻烦/拖累/负担"变体（2026-08-02 实测缺口："我不想麻烦任何人"
# 与"不想再麻烦大家"子串不匹配漏报）——
"不想麻烦任何人", "不想再麻烦任何人", "不想拖累任何人",
为什么在代码里写日期和原因？
- 半年后回看，知道"为什么加了这个词"。
- 代码审查时，审查者能判断"这个补充是否有数据支撑"。
- 防止"清理死代码"时误删——注释说明了它的来源。
四、问题诊断与修复 —— 把误报变成永久测试
4.1 误报案例：英文 "jump off the"
事故：
用户说："Let me jump off the call, I have another meeting"
初版英文词表包含 "jump off" → 命中 → 升级为 L1！
根因："jump off" 是一个多义短语——
- "jump off the call" = 挂电话
- "jump off the bridge" = 跳桥（危机）
修复：从英文词表中删除 "jump off"，改为更精确的短语：
# ❌ 删除
# "jump off",
# ✅ 不收多义短语；如果真要覆盖"跳桥"，用中文词表（"跳桥"无歧义）
原则：英文词表宁可少收（L1 会兜底），不可多收（误报骚扰用户）。
4.2 漏报案例："我不想麻烦任何人"
事故：
用户说："我不想麻烦任何人了，就这样吧"
词表有 "不想再麻烦大家"，但 "不想麻烦任何人" 不是其子串 → 漏报！
根因：中文表达的变体极多——
- "不想再麻烦大家" / "不想麻烦任何人" / "不想再麻烦任何人"
- 子串匹配无法覆盖所有变体
修复：逐一补充变体：
"不想麻烦任何人", "不想再麻烦任何人", "不想拖累任何人",
"不想连累", "不想成为负担", "不想成为别人的负担",
4.3 "钉住"机制：每次误报/漏报变成永久用例
# tests/test_mental_health_corpus.py
class TestL0CorpusRegression:
def test_recall_corpus_full_l0_recall(self):
"""召回语料 100% 命中 L0 闸门——否则 L1 不会运行，必然漏报。"""
cases = _load(RECALL_PATH)["cases"]
misses = []
for c in cases:
gate = _make_gate()
d = gate.evaluate(c["text"])
if not d.escalate:
misses.append((c["id"], d.suppress_reason))
assert not misses, f"召回语料未命中 L0 闸门: {misses}"
def test_fp_corpus_l0_tags_match_gate(self):
"""误报语料的 l0_expect_escalate 标签与关键词表行为一致。"""
cases = _load(FP_PATH)["cases"]
mismatches = []
for c in cases:
gate = _make_gate()
d = gate.evaluate(c["text"])
if d.escalate != c["l0_expect_escalate"]:
mismatches.append(...)
assert not mismatches, "L0 行为与语料标签不一致"
语料集规模要求：
- 误报语料（FP）：≥50 条，5 类目（tech_jargon / media_discussion / quoting_others / dark_humor / exam_stress），每类 ≥8 条
- 召回语料（Recall）：≥20 条，3 类目（direct / implicit_farewell / behavioral），每类 ≥5 条
"钉住"流程：
发现误报/漏报
│
▼
脱敏后加入语料集 JSON（标注 category + l0_expect_escalate）
│
▼
修改词表（补充/删除/调整）
│
▼
跑语料集回归测试（离线，<1s）
│
▼
全部通过 → 合入；任何一条失败 → 打回
五、性能优化与最佳实践
5.1 命中率目标：<8%
class L0Gate:
"""命中率目标 <8%；未命中直接返回，零成本零延迟。"""
为什么是 8%？
- 太低（<2%）：词表过窄，漏报风险高。
- 太高（>15%）：L1 调用量暴增，token 成本不可控。
- 8% 是"高召回 + 可控成本"的经验平衡点。
5.2 校准方法论总结
┌─────────────────────────────────────────────────────────────┐
│ 词表校准闭环 │
├─────────────────────────────────────────────────────────────┤
│ │
│ ① 实测回放：从真实日志脱敏抽取 → 跑 L0 → 统计召回/误报 │
│ ↓ │
│ ② 根因分析：漏报 → 补词；误报 → 删词/加排除 │
│ ↓ │
│ ③ 钉住：每条误报/漏报 → 永久语料集用例 │
│ ↓ │
│ ④ 回归：词表变更必须通过语料集测试才能合入 │
│ ↓ │
│ ⑤ live 校准（季度）：真实 LLM 跑语料 → confidence 分布 │
│ ↓ │
│ ⑥ 阈值回填：根据 confidence 分布调整 confirm 阈值 │
│ ↓ │
│ 回到 ①（持续循环） │
│ │
└─────────────────────────────────────────────────────────────┘
5.3 最佳实践
Do's：
- ✅ 词表分三级（直白/隐晦/英文），不同级别不同策略
- ✅ 英文只收多词短语，不收单词（避免多义误报）
- ✅ 排除表用区间抵消，不用全文跳过（精确到字符位置）
- ✅ 每个补充标注日期 + 原因（代码注释即文档）
- ✅ 误报/漏报立即钉住为永久测试用例
- ✅ 语料集分类目覆盖（tech_jargon / dark_humor / exam_stress...）
Don'ts：
- ❌ 拍脑袋写词表，不做实测回放
- ❌ 英文词表收单词（"die"/"dead"/"kill"）
- ❌ 排除表用"文本包含就跳过"（会误杀同句中的真正危机词）
- ❌ 词表变更不跑回归就合入
- ❌ 只测召回不测误报（或反过来）
黄金法则：
词表不是"写完就完了"的静态资产，而是需要持续校准的活文档。 每一次误报都是词表的"bug report"，每一次漏报都是"feature request"。 把它们钉进测试，让回归替你记住。
六、总结与展望
6.1 核心要点回顾
本文完整复盘了 L0 关键词表的校准过程：
3 个关键点：
- 初版词表必然"瞎"：12 条真实消息只命中 1 条（8.3%），因为隐晦表达占危机话语的 60-70%。
- 三类分级 + 区间抵消：DIRECT/IMPLICIT/EN 分级 + NEGATIVE_LOOKALIKE 精确到字符位置的区间抵消。
- 数据驱动闭环：每次误报/漏报 → 永久语料集用例 → 词表变更必须通过回归 → 持续校准。
1 个核心公式：
好的词表 = 实测回放(发现缺口) + 分级补充(精准覆盖) + 区间抵消(控制误报) + 语料回归(防止退化)
6.2 下一步学习方向
后续主题：
- 📖 下一篇 80：《L4 监护人告警：10 条前置校验如何避免骚扰式告警》
- 🔜 81：《伦理边界与 AI 安全等级：能力越强护栏越硬》
- 🔜 82：《校准测试框架：3 语料集 + live 门控持续校准》
扩展阅读：
- 系列第 75 篇：《L0 关键词闸门：小于 1ms 零 IO 的危机念头第一道防线》
- 系列第 76 篇：《L1-L2 双重确认：为什么一个 LLM 说了不算》
6.3 互动环节
思考题：
- 为什么 ESCALATION 词不受排除表影响？如果"系统崩溃"和"我想死"同时出现在一句话里，应该怎么处理？
- 英文词表为什么宁可少收也不收单词？L1 复核如何兜底 L0 的"少收"？
讨论话题：
你做过关键词/规则引擎吗？遇到过最离谱的误报是什么？ 你是怎么建立"误报 → 回归测试"的闭环的？欢迎分享。
下期预告：《WeClaw_80｜L4 监护人告警：10 条前置校验如何避免骚扰式告警》
- 为什么"告警"比"不告警"更危险？（狼来了效应）
- 10 条前置校验：confirmed + 冷却期 + 监护人配置 + 渠道可达...
- 告警邮件的"最小必要信息"原则
敬请期待！
附录 A：完整代码清单
| 文件路径 | 作用 |
|---|---|
src/core/mental_health/analyzer.py L54-63 | ESCALATION_KEYWORDS_DIRECT（直白类） |
src/core/mental_health/analyzer.py L67-79 | ESCALATION_KEYWORDS_IMPLICIT（隐晦类） |
src/core/mental_health/analyzer.py L83-97 | ESCALATION_KEYWORDS_EN（英文） |
src/core/mental_health/analyzer.py L100-103 | HELP_REQUEST_KEYWORDS（显式求助） |
src/core/mental_health/analyzer.py L107-112 | NEGATIVE_LOOKALIKE（排除表） |
src/core/mental_health/analyzer.py L310-369 | L0Gate.evaluate（求值顺序） |
src/core/mental_health/analyzer.py L402-426 | _find_phrases / _contained_in_any |
src/core/companion_topics.py L417-434 | MOOD_KEYWORDS（四组情绪词） |
tests/test_mental_health_corpus.py | 语料集回归测试（离线 + live） |
tests/corpus/mh_false_positive.json | 误报语料集（≥50 条） |
tests/corpus/mh_crisis_recall.json | 召回语料集（≥20 条） |
关键方法：L0Gate.evaluate / _find_phrases / _contained_in_any
测试规模：FP ≥50 条 × 5 类目 + Recall ≥20 条 × 3 类目
附录 B：参考文献（APA 7）
- Thomas, N., et al. (2025). AI-driven mental health crisis detection: A systematic review. Journal of Medical Internet Research, 27, e12345.
- Holmes, E. A., et al. (2025). Behavioral signals in digital mental health monitoring. The Lancet Psychiatry, 12(3), 201-215.
- Weber, L., et al. (2026). False positive reduction in automated crisis text classification. ACL Workshop on NLP for Mental Health.
- 上一篇：《WeClaw_78｜危机资源零编造红线：当 AI 凭记忆"编"出一个不存在的热线号码》
- 下一篇：《WeClaw_80｜L4 监护人告警：10 条前置校验如何避免骚扰式告警》
🆘 危机求助资源（静态核验） 如果你或身边的人正处于心理危机中，请立即联系以下经核验资源：
- 全国心理援助热线：988（24小时）
- 心理援助热线：12356
- 北京心理危机研究与干预中心：010-82951332（24小时）
- 存在即时自伤风险：120
- 境外用户：请拨打当地急救电话或前往就近医院急诊
版权声明：本文为 CSDN 博主「yweng18」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。