CauProphet 让智能体构建因果信念并跨任务迁移
论文AI 评分 68/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 CauProphet，针对现有 LLM 智能体只检索记录或摘要、无法形成并修正对世界因果理解的问题，让智能体在「因果认知」中积累并更新因果知识。面对每个任务，它把已有因果认知与当前证据结合，构建包含因果因素与可能动作效果的结构化「因果信念」，据此决策，并随新观察持续更新信念与认知，使因果知识不局限于单次经验。金融研究中，它与次日收益的平均秩相关优于全部基线，较某基线智能体提升 25.4%；动态真实场景预测准确率从 21.3% 升至 28.6%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
现有 LLM 智能体借助外部记忆与过往经验支撑长程任务，但论文指出它们主要做的是检索记录或摘要，缺少形成并修正对世界因果理解的能力。CauProphet 的出发点来自人类因果认知：智能体应当拥有一个可积累的因果知识库，并在任务推进中不断修正，而不是每次从零检索相似片段。这一设定把「记忆」从被动存储变成可演化的因果结构。
因果信念如何构建
对每个任务，CauProphet 先从因果认知中取出相关知识，再与当前证据结合，构造一个称为因果信念的结构化表示。该信念同时刻画因果因素与可能动作带来的效果，智能体据此做出决策。随着新观察出现，信念与底层因果认知都会被更新，因此学到的因果知识能够保留到单次经验之外，供后续任务调用。论文强调这种知识是逐步获得的，并可迁移到未来决策。
量化结果
评估显示 CauProphet 能渐进式获取因果知识并迁移使用。在金融研究场景中，它利用先前发现改进下游分析，与次日收益的平均秩相关超过所有基线，相对一个基线智能体提升 25.4%；在动态真实环境下，预测准确率从 21.3% 提高到 28.6%。论文还报告了在科学与日常任务上的实验，用于验证其因果分析与动作选择的可靠性。
为什么值得看
关注智能体长期记忆与决策机制的研究者，可看到把因果信念显式建模并跨任务复用的具体做法与量化收益。
智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。