효과적인 정신 건강 상담은 심리학적 프레임워크, 실시간 고통 신호, 그리고 전략적 개입 계획을 동시에 통합해야 하는 복잡한 이론 기반의 과정입니다. 이러한 수준의 임상적 추론은 안전성과 치료적 효과성에 필수적이지만, 일반 목적의 대규모 언어 모델 (LLMs) 에서는 종종 결여되어 있습니다. 우리는 구조화된 임상 지식과 생성형 AI 사이의 간극을 연결하기 위해 설계된 새로운 프레임워크인 SAGE(Strategy-Aware Graph-Enhanced) 를 소개합니다. SAGE 는 대화 역동성과 심리학적 기반 레이어를 통합하는 이질적 그래프 (heterogeneous graph) 를 구축하며, 상호작용을 이론 기반 어휘에 명시적으로 고정시킵니다. 우리의 아키텍처는 먼저 최적의 치료 개입을 식별하기 위해 Next Strategy Classifier 를 사용합니다. 이어 Graph-Aware Attention 메커니즘은 그래프에서 유래한 구조적 신호를 소프트 프롬프트 (soft prompts) 로 투영하여, LLM 이 임상적 깊이를 유지하면서 응답을 생성하도록 조건부 설정합니다. 자동화된 지표와 전문가 인간 평가를 통해 검증된 결과, SAGE 는 전략 예측 및 권장 응답 품질 측면에서 베이스라인보다 우수하게 나타났습니다. 실행 가능한 개입 권장 사항을 제공함으로써, 고위험 위기 상담에서 인간의 전문성을 보강하기 위해 설계된 최첨단 의사결정 지원 도구로서 SAGE 가 역할을 수행합니다.