為了改善模型在多輪對話中的上下文理解能力，系統新增了短期問答記憶池，可暫存最近五輪問答內容。 當新的輸入進來時系統會透過語義相似度比對，判斷當前問題是否與先前主題相關。 若相似度高便自動檢索對應的對話內容作為輔助參考，使模型能延續先前語意而非重複提問。

此設計能有效降低語意錯亂與對話不連貫的情形，提升上下文連貫性，讓系統在互動上更接近具有記憶能力的智能對話輔助工具。

為了讓模型能更準確理解使用者的自然語言輸入，本研究導入 embedding 模型進行語意相似度判斷， 透過向量化方式分析使用者的描述內容，從中擷取與行為相關的語義資訊。

系統會根據語意層面的相似度計算，辨識輸入中與成癮行為有關的特徵，例如頻率、強度、控制力、影響程度與情緒依附等。

這樣的語義分析方式，使系統不再依賴固定關鍵詞，而能理解不同語氣與表達下的同義概念（如「停不下來」與「克制不住」）， 從而提升模型對行為敘述的理解能力與解析準確度，為後續的風險評估與行為建議提供更可靠的語意基礎。

為了讓模型的回覆更具臨床參考價值，本研究建立以五個層面為基礎的加權風險評分架構：頻率、強度、控制力、影響程度與情緒依附。

系統會依照使用者輸入內容為各層面打分，並依臨床邏輯設定不同權重（控制力 1.6、影響程度 1.4、情緒依附 1.3），最終計算加權總分並對應風險等級（高／中／低）。

此設計能將原本主觀的成癮風險判斷轉化為可量化的結構化評估，使系統輸出結果更具一致性、可比較性與臨床解釋價值。