為改善上述狀況，本研究採取以下三項優化策略，使系統能更精準且穩定地輸出結論。

1.雙層判斷機制（Scoring + Decision Layer）

系統首先透過 get_semantic_score() 函式進行五構面量化分析（頻率、強度、失控程度、影響程度、情緒依附），依臨床權重計算加權總分後自動判定風險等級（低至高）。在此基礎上，新增第二層「決策邏輯（Decision Layer）」：
系統依據總分及關鍵構面組合自動分流為兩種回覆模式：

A 模式：風險明確 → 直接產出【成癮風險等級】【最終結論】【建議行動】三段式回覆。

B 模式：資訊不足 → 輸出【初步判斷】【可能原因或觀察】【建議後續觀察方向】三段式內容，不再提問。

此架構確保模型在資訊充足時能主動終止補問，輸出具體結論；而當資料不足時，仍能提供行為導向的觀察建議，避免對話陷入無限追問。

2.分數穩定化機制（Score Stabilization）

為避免模型在多輪互動中出現評分偏移或過度保守，本系統採用兩項穩定化設計：

(1).低溫度取樣（temperature=0.2）：減少隨機性，使同樣的描述維持一致評分。

(2).防漂移校正（last_score 機制）：若新一輪加權分顯著低於前次結果（低於 80%），自動採用前次分數，避免系統誤降風險。

此機制有效提升評分一致性與臨床判讀可靠度，使系統可於多輪對話中維持邏輯連貫。

3.輸出格式結構化與防重複提問控制 ：

過去模型常因 prompt 指令衝突，導致在給出結論後仍產生「若需進一步了解」等補問段落。本系統透過輸出格式明確化（A/B 互斥邏輯）與禁用提問關鍵詞（如「請問」「是否」「進一步了解」），讓模型在產出結論後不再主動追問，確保對話流程自然收斂，輸出內容一致且具可讀性。