因果推理引擎

技能简介

为智能体行动添加因果推理能力，通过建模干预和反事实场景预测行动结果，而非依赖相关性模式匹配。核心原则：每个行动必须可表示为因果模型上的显式干预，附带预测效果、不确定性及可证伪的审计追踪。

能做什么

• 在发送邮件、消息、日历变更等高层行动前预测结果概率
• 调试失败原因，追溯因果图定位关键变量
• 从历史数据回填重建行动-结果记录
• 回答”如果我做X会发生什么”类规划问题
• 复盘过往行动，识别有效/失效模式及其原因

使用说明

安装指令：原始文档未提供具体安装命令，需手动克隆仓库并配置环境：

git clone https://github.com/openclaw/skills.git
cd skills/oswalpalash/causal-inference
# 根据项目要求安装Python依赖
pip install -r requirements.txt

使用流程：

1. 触发条件：任何带可观测结果的高层行动（邮件、会议、任务、文件操作、购买、部署等）自动触发
2. 记录行动：执行后生成结构化事件写入memory/causal/action_log.jsonl
3. 历史回填：运行对应脚本解析现有日志，如邮件回填：python3 scripts/backfill_email.py /tmp/sent_emails.json
4. 查询模型：执行前调用因果模型比较不同干预选项的预期效果

输入与输出

见下方输入与输出表格。

风险提示

• 因果效应估计依赖历史数据质量，稀疏场景下不确定性较高
• 反事实预测无法完全验证，需保留实际结果用于模型校准
• 多变量干预可能存在未观测混杂因素
• 回溯填充数据标记为重建来源，避免与实时记录混淆

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/oswalpalash/causal-inference/SKILL.md
来源类型：GitHub仓库