某项功能上线后，次日留存提高了。是功能带来增长，还是同期营销吸引了不同用户？传统预测模型可以告诉我们哪些用户更可能留下，却不一定回答“如果没有上线，结果会怎样”。
AI Agent能够调用代码、数据库和统计工具，把一连串分析步骤串起来。但因果推断最难的部分是明确假设，而不是自动运行更多回归。一个可靠的因果 Agent，应让假设更显式、更可检查，而不是用流畅文字掩盖不确定性。
## 先分清三个不同问题
关联问题问：看到 X 时，Y 通常怎样变化。干预问题问：主动改变 X，会让 Y 怎样变化。反事实问题问：同一个对象如果没有接受处理，结果会怎样。
这三者需要不同信息。销售额和广告曝光相关，可能因为高意向用户本来就更容易看到广告。只有处理了混杂因素，或通过随机实验制造可比组，才能把相关性解释为效应。
Agent的第一项工作不应是选模型，而应是把自然语言问题转成明确的处理变量、结果变量、研究对象、时间范围和目标效应，例如“向符合条件的新用户展示教程，对七日完成率的平均处理效应”。
## 因果图是可讨论的假设界面
有向无环图用节点表示变量，用箭头表达假定的因果关系。它能帮助团队识别混杂、媒介和碰撞变量，也能说明为什么某些变量应该调整，另一些不应该。
Agent可以读取字段说明、访谈记录和初步分析，提出候选因果图；人类领域专家要审查箭头是否符合业务机制。历史数据不能单独证明图是正确的，因为不同因果结构可能产生相近的观察分布。
最有价值的输出不是一张“最终真相图”，而是多个可区分的假设版本，以及每个版本需要哪些额外数据或实验。
## 从识别到估计，每一步都要能追溯
因果工作流可以分成四个阶段。
第一是建模：定义因果图和目标估计量。第二是识别：根据假设判断目标效应是否能从现有数据计算，并推导需要调整的变量集合。第三是估计：选择匹配、加权、回归、双重机器学习或工具变量等方法。第四是反驳：改变假设或数据，检查结论是否稳定。
PyWhy 的 DoWhy 将这几个阶段明确分开。Agent可以把它作为工具，而不是自己拼接统计公式。每次调用都应保存数据版本、代码、调整集合、估计方法和随机种子。
如果效应无法识别，Agent应该明确停止并说明缺少什么。输出“无法从当前观察数据区分”比给出一个精确但无意义的数字更可靠。
## AI Agent适合自动化哪些环节
它可以检查时间顺序、缺失值和处理组比例，生成平衡性诊断，比较多个估计器，并把结果整理成可复现报告。面对许多相似问题时，还能统一执行同一套检验。
Agent也可以通过检索数据字典和实验记录，发现字段含义不一致；根据因果图自动选择必要变量；调用代码计算倾向得分和置信区间；在结果异常时追踪中间产物。
这些能力减少了机械工作，却没有消除设计责任。比如“活跃度”是处理前变量还是处理后的媒介，只能结合产品流程和时间戳判断。
## 反驳和敏感性分析是核心，而非附录
观察研究总可能存在未测量混杂。可靠 Agent应主动运行安慰剂处理、随机共同原因、数据子集和不同模型设定，观察效应是否明显漂移。
敏感性分析进一步问：需要多强的未观测因素，才能推翻当前结论？如果很小的偏差就会让方向改变，报告应把结论描述为脆弱证据，而不是确定事实。
多个方法给出相近数字，也不必然意味着因果关系成立，因为它们可能共享同一个错误假设。Agent应把“统计稳定”与“假设可信”分别呈现。
## 大语言模型本身也会犯因果错误
近期研究正在测试由大语言模型驱动的因果分析 Agent。它们可以规划步骤、生成代码和调用工具，但在图结构、变量角色、识别条件和数值验证上仍会失败。
语言模型特别容易把合理故事当作证据，或在得到意外结果后事后编造解释。CausalBench 等基准试图测量因果发现与推理能力，结论提示我们不能只凭自然语言答案判断可靠性。
因此，生产系统应把计算交给经过验证的统计库，把数据访问限制在清晰接口，并要求每个结论链接到可运行代码和结果。领域假设、研究设计和最终解释仍需人工确认。
## 一个可落地的 Agent 架构
入口层把问题写成结构化研究卡，包括处理、结果、对象、时间和效应类型。数据层只提供带版本的数据表与字段字典。因果层维护图、识别结果和估计器。验证层运行诊断、反驳和敏感性分析。报告层区分事实、假设、估计与限制。
Agent每进入下一层都要满足检查条件：时间窗是否合理，处理是否发生在结果之前，是否存在数据泄漏，置信区间是否计算，稳健性检验是否完成。任何未满足条件都应阻止“一键得出结论”。
AI Agent在因果推断中的真正价值，是把复杂流程变成可重复的协作系统：机器负责组织、计算和检查，人负责定义问题、审查机制并承担解释。它不能替代因果假设，却能让这些假设更难被悄悄忽略。
## 参考资料