因果推断

一个轻量级因果层，用于预测行动结果——不依赖相关性模式匹配，而是通过建模干预（intervention）与反事实（counterfactual）进行推理。

核心不变量

每一项行动都必须能被明确表示为对某个因果模型的一次显式干预，并附带预测效果、不确定性度量，以及一条可证伪的审计轨迹。

计划必须是因果有效（causally valid）的，而不仅仅是表面合理（plausible）。

触发时机

在任何高层级行动发生时均应触发本能力，包括但不限于以下类型：

此外，还需在以下场景中触发：

• 复盘结果 — “那封邮件收到回复了吗？” → 记录实际结果，更新效果估计
• 调试失败 — “为什么没成功？” → 追踪因果图谱
• 补录历史 — “分析我过去的邮件/日历” → 解析日志，重构已执行行动
• 规划决策 — “现在发还是稍后发？” → 查询因果模型

补录：基于历史数据启动系统

无需从零开始。解析现有日志以重建过往行动及其结果。

邮件补录

# 提取指定时间之后发出的邮件及回复状态
gog gmail list --sent --after 2024-01-01 --format json > /tmp/sent_emails.json

# 对每封已发送邮件，检查是否存在回复
python3 scripts/backfill_email.py /tmp/sent_emails.json

日历补录

# 提取指定时间之后的历史事件及出席情况
gog calendar list --after 2024-01-01 --format json > /tmp/events.json

# 重构：会议是否如期举行？是否被改期？实际参会人数？
python3 scripts/backfill_calendar.py /tmp/events.json

消息补录（WhatsApp/Discord/Slack）

# 解析消息历史，识别发送/回复模式
wacli search --after 2024-01-01 --from me --format json > /tmp/wa_sent.json
python3 scripts/backfill_messages.py /tmp/wa_sent.json

通用补录模式

# 针对任意历史数据源：
for record in historical_data:
    action_event = {
        "action": infer_action_type(record),
        "context": extract_context(record),
        "time": record["timestamp"],
        "pre_state": reconstruct_pre_state(record),
        "post_state": extract_post_state(record),
        "outcome": determine_outcome(record),
        "backfilled": True  # 标记为补录生成
    }
    append_to_log(action_event)

架构

A. 行动日志（必需）

每次执行的行动均需输出一条结构化事件：

{
  "action": "send_followup",
  "domain": "email",
  "context": {"recipient_type": "warm_lead", "prior_touches": 2},
  "time": "2025-01-26T10:00:00Z",
  "pre_state": {"days_since_last_contact": 7},
  "post_state": {"reply_received": true, "reply_delay_hours": 4},
  "outcome": "positive_reply",
  "outcome_observed_at": "2025-01-26T14:00:00Z",
  "backfilled": false
}

存储路径：memory/causal/action_log.jsonl。

B. 因果图谱（按领域划分）

每个领域初始定义 10–30 个可观测变量。

邮件领域：

send_time → reply_prob
subject_style → open_rate
recipient_type → reply_prob
followup_count → reply_prob （边际递减）
time_since_last → reply_prob

日历领域：

meeting_time → attendance_rate
attendee_count → slip_risk
conflict_degree → reschedule_prob
buffer_time → focus_quality

消息领域：

response_delay → conversation_continuation
message_length → response_length
time_of_day → response_prob
platform → response_delay

任务领域：

due_date_proximity → completion_prob
priority_level → completion_speed
task_size → deferral_risk
context_switches → error_rate

图谱定义文件存于 memory/causal/graphs/ 目录下。

C. 效果估计

针对每个“调节变量”（即干预变量），估计其处理效应（treatment effect）：

# 伪代码：早晨发送 vs 傍晚发送的效果差异
effect = mean(reply_prob | send_time=morning) - mean(reply_prob | send_time=evening)
uncertainty = std_error(effect)

初期可采用简单回归或倾向得分匹配（propensity matching）；当因果图谱明确且需进行因果识别（identification）时，再升级至 do-calculus 方法。

D. 决策策略

在执行行动前：

1. 识别待干预变量（或变量集）
2. 查询因果模型，获取预期结果的概率分布
3. 计算期望效用（expected utility）及不确定性边界
4. 若不确定性超过阈值，或预期损害超过阈值 → 拒绝执行，或交由用户确认
5. 记录预测结果，供后续验证

工作流

每次行动的完整流程

执行前：
1. 记录 pre_state
2. 若已有足够历史数据：查询模型，获取预期结果
3. 若不确定性高或风险大：向用户请求确认

执行后：
1. 记录行动 + 上下文 + 时间戳
2. 设置提醒，用于后续核查结果（如结果非即时可见）

结果观测到时：
1. 在行动日志中更新 post_state + outcome
2. 若新增数据足够，重新估计处理效应

规划一项行动

1. 用户请求 → 识别候选行动
2. 对每个候选行动：
   a. 映射到因果图谱上的对应干预节点
   b. 预测 P(outcome | do(action))
   c. 估计不确定性
   d. 计算期望效用
3. 按期望效用排序，并依安全性过滤
4. 执行最优行动，同时记录预测
5. 观测实际结果，更新模型

调试一次失败

1. 定位失败的结果
2. 沿因果图谱向上回溯
3. 对每个上游节点：
   a. 其取值是否符合预期？
   b. 对应的因果关系是否成立？
4. 定位失效的因果链
5. 计算可防止该失败发生的最小干预集合
6. 记录反事实（counterfactual）以支持学习

快速启动：今日即可初始化

# 1. 创建基础设施目录
mkdir -p memory/causal/graphs memory/causal/estimates

# 2. 初始化配置文件
cat > memory/causal/config.yaml << 'EOF'
domains:
  - email
  - calendar
  - messaging
  - tasks

thresholds:
  max_uncertainty: 0.3
  min_expected_utility: 0.1

protected_actions:
  - delete_email
  - cancel_meeting
  - send_to_new_contact
  - financial_transaction
EOF

# 3. 补录一个领域（建议从邮件开始）
python3 scripts/backfill_email.py

# 4. 初步估计处理效应
python3 scripts/estimate_effect.py --treatment send_time --outcome reply_received --values morning,evening

安全约束

定义需显式获得用户批准的“受保护行动”：

protected:
  - delete_email
  - cancel_meeting
  - send_to_new_contact
  - financial_transaction

thresholds:
  max_uncertainty: 0.3  # 若结果概率的不确定性 > 30%，禁止自动执行
  min_expected_utility: 0.1  # 若期望收益 < 10%，禁止自动执行

文件清单

• memory/causal/action_log.jsonl — 所有已记录行动及其结果
• memory/causal/graphs/ — 各领域专用的因果图谱定义
• memory/causal/estimates/ — 已学习的处理效应
• memory/causal/config.yaml — 安全阈值与受保护行动列表

参考文献

• 详见 references/do-calculus.md，了解形式化的干预语义
• 详见 references/estimation.md，了解处理效应估计方法