想象你是一名刚搬进陌生城市的新手司机：你精通油门、刹车、方向盘，却不知道哪条路最快到医院、哪条单行道最近到小学。有人问你因果问题——“暴雨为什么会导致就医延误？”——你只能凭记忆瞎猜，而你的记忆里只有冷冰冰的统计数字：“下雨天医院人确实多”。 大语言模型（LLM）就是这样一个车技娴熟却不认路的司机：它能流畅地生成语言，却对“暴雨→内涝→交通瘫痪→就医延误”这类因果链条缺乏可靠认知。因果图谱（Causal Knowledge Graph），正是递给 LLM 的那张城市地图——用圆圈表示变量与事件（地标），用带箭头的边表示因果方向（单行道），把世界的因果机制结构化地存储起来。本文以这张“因果地图”为主线，依次讲解图谱的基本结构、构建存储、查询推理、与 LLM 的融合方式、落地场景以及面临的挑战。看懂它，你就掌握了让 LLM 从“凭感觉回答”走向“照着地图回答”的关键一步。

岗位关联

因果图谱是因果知识增强 LLM 的基础数据设施。掌握它的结构与用法，是从事可解释 AI、医疗问答、金融风控等落地方向的从业者必补的一课。

目录
  1. 可视化演示
  2. 图谱基本结构：地标与单行道
  3. 构建与存储：测绘与归档
  4. 查询与推理：问路与导航
  5. LLM 融合方式：导航进车厢
  6. 落地应用：地图的价值时刻
  7. 挑战与前景：地图的边界
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示因果图谱的有向图结构与机制标注、检索增强生成中因果子图检索与LLM注入流程、以及因果图谱与传统知识图谱的结构差异，交互切换三种模式探索。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+CAPS.mode1+'

图谱基本结构：地标与单行道

城市地图上最显眼的是什么？是地标：医院、公园、学校、工厂。它们构成城市的骨架。因果图谱同理，它的“地标”是变量与事件——例如“暴雨”“交通瘫痪”“就医延误”。每一个地标都对应真实世界里一个可以观测的状态，它们不是随手画的，而是承载着因果关系的主角。

光有地标还不够，地图必须告诉你“这些地标之间怎么走”。因果图谱用有向边把两个节点连接起来：一条从 X 指向 Y 的边，表示“X 是因，Y 是果”。这种方向性就像单行道——你可以从“暴雨”开到“内涝”，但不能从“内涝”倒车回“暴雨”。方向，是因果图谱区别于普通知识图谱的第一特征。

形式上，一个因果图谱就是一张有向图：V 是节点集合，E 是边集合。为了表达“怎么导致的”，每条边还带一个关系类型 r，如“导致”“加重”“抑制”。于是最小粒度的因果知识被封装为三元组“（原因，关系，结果）”，例如（暴雨，导致，内涝）。多个三元组共享节点，便织成一张可导航的因果网络。

所以，当你打开一张因果图谱时，就像展开一张城市地图：每个圆圈都是一座地标，每条带箭头的线都是一条单行道。地标与单行道构成了地图的骨架，而下一步，我们要把这张地图“测绘”出来，并存进档案库。

G=(V, E),V={X1, X2, …, Xn},E={(Xi→rXj)}\displaystyle G=(V,\ E),\qquad V=\{X_1,\ X_2,\ \ldots,\ X_n\},\qquad E=\{(X_i \xrightarrow{r} X_j)\}
打个比方：这个式子把“因果图谱”拆成了两件套——一堆节点（变量）加一组带箭头的关系（因果边）。读懂了它，就等于拿到了阅读整张“因果地图”的钥匙。
  1. 节点集合 V这里 V 中的每个元素 \(X_i\) 表示一个变量或事件，例如“暴雨”“就诊人数”，它们就是地图上的地标。
    V={X1, X2, …, Xn}V=\{X_1,\ X_2,\ \ldots,\ X_n\}
  2. 有向因果边\((X_i \xrightarrow{r} X_j)\) 表示从原因 \(X_i\) 指向结果 \(X_j\) 的一条边，\(r\) 是关系类型，如同单行道的行驶方向。
    (Xi→rXj)(X_i \xrightarrow{r} X_j)
  3. 整体结构 GG 由节点集合与边集合共同构成，是所有查询与推理操作赖以进行的基础骨架。
    G=(V, E)G=(V,\ E)

构建与存储：测绘与归档

一张城市地图不会凭白从天上掉下来。它需要测绘员拿着仪器勘察街道、标定门牌、确认单行方向。因果图谱的“测绘”同样有三大来源：领域专家把长期研究验证的因果机制手工录入；NLP 系统从医学文献、新闻报告中抽取因果表述；数据科学家用统计与干预方法从数据里提出候选因果边。

三条“测绘通道”产出的证据质量并不相同。专家知识最可靠但覆盖有限；文献挖掘覆盖广但有表述噪声；数据学习效率高却最容易把“相关性”误判成“因果性”。因此，工程上不会直接采纳某一条来源，而是给每条候选边打一个置信度分数：证据越充分、来源越可靠，分数越高。

置信度的计算可以形式化为“支持证据与总证据之比”。例如边“暴雨→内涝”有 95 篇文献支持、5 篇质疑，置信度就是 95/(95+5)=0.95。建好边之后，图谱通常存储在原生图数据库（如 Neo4j）中，节点、边、属性以邻接表或三元组形式落盘，支持毫秒级检索。

至此，测绘完成、档案入库。这张“因果地图”被整齐地叠放在档案柜里——但它真正的价值，是当司机（LLM）来问路时，能快速翻出那一条正确的路线。接下来我们看看“问路”是怎么发生的。

Conf(Xi→Xj)=S(Xi, Xj)S(Xi, Xj)+D(Xi, Xj)\displaystyle \text{Conf}(X_i \to X_j)=\frac{S(X_i,\ X_j)}{S(X_i,\ X_j)+D(X_i,\ X_j)}
一句话解释：某条因果边的可信度 = 支持它的证据 ÷ 全部相关证据。证据一边倒支持时，置信度就逼近 1。
  1. 支持证据 S分子的 \(S(X_i,\ X_j)\) 统计支持“\(X_i\) 导致 \(X_j\)”这条边的证据数量，例如支持该结论的文献篇数。
    S(Xi, Xj)S(X_i,\ X_j)
  2. 反对证据 D\(D(X_i,\ X_j)\) 统计质疑或否定该因果关系的证据数量。
    D(Xi, Xj)D(X_i,\ X_j)
  3. 置信度结果两者之比落在 0 到 1 之间，越接近 1 表示因果边越可信，越接近 0 越倾向被剔除。
    Conf(Xi→Xj)\text{Conf}(X_i \to X_j)

查询与推理：问路与导航

新手司机拿到地图后的第一个动作是什么？打开导航问一句：“从中心医院到老城小学怎么走？”因果图谱的使用者（无论是人还是 LLM）也一样，首先要擅长“问路”。最常见的三种问法：查节点——“暴雨这个节点存在吗？它旁边连着谁？”；查邻域——“内涝直接影响哪些后果？”；查路径——“暴雨是怎么一步步走到就医延误的？”

前两种问法对应图数据库中的“单点检索”与“邻域扩展”操作，返回节点属性与一跳或多跳邻居，适合回答“是不是”“和什么相关”这类问题。而因果问答真正的高潮是“路径搜索”：给定起点 \(X_a\) 与终点 \(X_b\)，在图上找出一条或多条因果链，每一条路径都刻画了一个完整的因果传导机制。

当存在多条路径时，需要为它们排序——因为不是每条链都一样可信。一副完整的因果链条遵循“木桶效应”：任一环置信度低，整条链的可靠性就被拉低。因此一条路径的综合置信度取所有边置信度的乘积，随后按从高到低返回给查询者。

问路的过程，本质上就是在“因果地图”上规划路线：它会告诉你“暴雨→内涝→交通瘫痪→就医延误”这条链，也会告诉你候选链的可靠程度。但地图只负责指路，真正“开车”的 LLM 还需要把路线听进耳朵里——这就是下一节的故事。

Path(Xa, Xb)={ (Xa→Xk1), (Xk1→Xk2), …, (Xkm→Xb) }\displaystyle \text{Path}(X_a,\ X_b)=\{\ (X_a \to X_{k_1}),\ (X_{k_1} \to X_{k_2}),\ \ldots,\ (X_{k_m} \to X_b)\ \}
一句话解释：从原因到结果的因果链，就是一段又一段“由因到果”的边首尾相接而成的完整路线。
  1. 起点边\((X_a \to X_{k_1})\) 是从起点出发的第一段，要求起点变量与第一个中间节点之间存在直接的因果边。
    (Xa→Xk1)(X_a \to X_{k_1})
  2. 中间链条\((X_{k_1} \to X_{k_2}),\ \ldots,\ (X_{k_{m-1}} \to X_{k_m})\) 描述因果如何逐级传导，每一跳都必须依赖上一步的结果。
    (Xk1→Xk2)(X_{k_1} \to X_{k_2})
  3. 终点边\((X_{k_m} \to X_b)\) 是抵达终点的最后一段，使整条链闭合为一条从因到果的完整路径。
    (Xkm→Xb)(X_{k_m} \to X_b)

LLM 融合方式：导航进车厢

想象一下：你手里摊着一张城市地图，自己边走边认地标未必会出错，但如果副驾上有一个导航 APP 把路线一句一句播报给你，开车会轻松得多。LLM 与因果图谱的关系正是如此——图谱不会说话，需要一套“导航系统”把图里的因果信息翻译成模型听得懂的语言。

第一种结合方式是“检索增强”：当用户提出因果问题 q 时，系统先从图谱中检索出与 q 相关的局部子图（通常用实体对齐加邻域扩展实现），再把子图序列化成文本拼进提示词。第二种是“结构注入”：将因果路径写成“病因链：暴雨 → 内涝 → 交通瘫痪 → 就医延误”这样的固化模板，让模型直接读到机制链。第三种是“推理反馈”：让 LLM 沿图谱边一步一步走，边走边解释，最终把多步证据汇聚成答案。

三种方式殊途同归，都是在调整模型生成答案时的条件分布——原来模型只能靠参数里的统计记忆作答，现在多了一个由图谱提供的显式上下文 \(\mathcal{C}_{\mathcal{G}}(q)\)。这也是因果图谱“可解释性”的来源：你可以指着某条路径告诉用户，答案的依据是这条因果链，而不是一句玄学的“模型预测如此”。

有了导航，新手司机也能自信地上路了。接下来的问题很实际：这张“因果地图”装上导航之后，到底在哪些城市、哪些车型上最值回票价？让我们看看地图的实战时刻。

y^=arg⁡max⁡y PLLM( y∣q, CG(q) )\displaystyle \hat{y}=\arg\max_{y}\ P_{\text{LLM}}\big(\,y \mid q,\ \mathcal{C}_{\mathcal{G}}(q)\,\big)
一句话解释：模型最终选哪个答案，取决于“问题本身”与“从图谱检索到的因果证据”这两者的联合作用。
  1. 用户问题 q\(q\) 是用户提出的因果类问题，例如“为什么暴雨会导致就医延误？”，它是整个检索与生成的起点。
    qq
  2. 图谱上下文\(\mathcal{C}_{\mathcal{G}}(q)\) 表示针对问题 q 从因果图谱中检索到的局部子图或路径序列，相当于导航为这次行程选好的路线。
    CG(q)\mathcal{C}_{\mathcal{G}}(q)
  3. 条件分布与取值\(\arg\max_{y}\ P_{\text{LLM}}(y \mid q,\ \mathcal{C}_{\mathcal{G}}(q))\) 表示在已知问题和图谱上下文的情况下，选择模型认为概率最高的答案 y。
    y^=arg⁡max⁡y PLLM(y∣q, CG(q))\hat{y}=\arg\max_{y}\ P_{\text{LLM}}(y \mid q,\ \mathcal{C}_{\mathcal{G}}(q))

落地应用：地图的价值时刻

一张精准的城市地图，对出租车司机是赚钱工具，对急救车是生命线，对物流卡车是效率表。因果图谱也是如此，它的价值在不同的 AI 场景中各有各的精彩。第一个舞台是医疗诊断：患者问“为什么我吃降压药后总是头晕”，系统沿图谱检索“降压药→血压骤降→脑供血不足→头晕”，回答既快又有依据，医生也能据此核查。

第二个舞台是金融风险。分析师关心“央行加息会传导到哪些行业”，图谱上存着“加息→融资成本上升→房地产投资收缩→建材需求下降”的机制链，LLM 根据路径生成研报摘要，比单纯依赖历史行情数据更有逻辑。第三个舞台是智能客服排障：用户报修“家中宽带频繁断网”，系统沿“暴雨→线路老化→信号衰减→断网”定位根因，把排查建议前置到对话中。

在实际系统中，这些场景共享同一个技术动作：把候选因果路径按综合置信度打分排序，取最优链路的证据注入 LLM。形式化地说，即对所有从原因 X 到结果 Y 的路径计算“各边置信度乘积”并取最大值，作为这次回答的重点依据。

你看，同一张“因果地图”，在医疗车上救急，在金融引擎里避险，在客服热线中排障。地图还是那张地图，区别只在于问路的人带着不同的目标。不过，地图也并非完美——现实中要测绘一张完全准确的图，难比登天。

Score(X, Y)=max⁡P ∈ Paths(X, Y) ∏e ∈ PConf(e)\displaystyle \text{Score}(X,\ Y)=\max_{\mathcal{P}\,\in\,\text{Paths}(X,\ Y)}\ \prod_{e\,\in\,\mathcal{P}} \text{Conf}(e)
一句话解释：多条候选因果链互相比拼时，先算每条链的乘积分，再挑分数最高那条作为答案依据。
  1. 候选路径集合\(\text{Paths}(X,\ Y)\) 是所有从原因 X 通往结果 Y 的因果路径集合，应用系统会先把它枚举出来。
    Paths(X, Y)\text{Paths}(X,\ Y)
  2. 单路径分值对路径 \(\mathcal{P}\) 中每条边 e 的置信度求乘积，得到该路径的可信分值。
    ∏e ∈ PConf(e)\prod_{e\,\in\,\mathcal{P}} \text{Conf}(e)
  3. 取最优在所有路径分值中取最大值，作为这次因果问答的核心证据链。
    max⁡P ∈ Paths(X, Y)\max_{\mathcal{P}\,\in\,\text{Paths}(X,\ Y)}

挑战与前景：地图的边界

再精细的城市地图也有盲区：新修的立交桥还没画上去，老城区的小巷可能标错了方向。因果图谱同样面临三大现实挑战。首先是“数据稀疏”：很多变量之间的因果机制鲜有文献记载，也没有实验条件去验证，图上就会留下大片空白，导致路径搜索经常“无路可走”。

其次是“噪声干扰”：从海量文本和数据中自动抽取的候选边，混杂着“相关性冒充因果性”的假边。如果置信度阈值设得不够高，噪声就会污染整个查询结果。第三是“动态演化”：因果机制不是刻在石头上的一成不变——新药上市、政策调整、技术更迭都会改变旧链条，图谱必须像活地图一样持续更新。

更新操作在数学上非常朴素：每个周期把新证据支持的边集 \(\Delta^{+}\) 并入图，把过时或置信度跌破阈值的边集 \(\Delta^{-}\) 剔除，得到新一版图。工程上的难点在于更新的频率与一致性：更新太快会引入尚未稳定的新边，更新太慢又让回答越来越过时。未来的方向是让图谱与 LLM 双向协同——一边用 LLM 加速建图，一边用图谱反哺推理，形成“以图补智、以智建图”的飞轮。

回到开头那位新手司机：他手里的地图可能有些许陈旧，但比起毫无地图地盲开，已经是“碰运气”到“有依据”的跨越。因果图谱的边界，正是未来 AI 可解释性拓展的边界。记住这张“因果地图”的故事，你会比大多数人更早看懂大模型走向可靠推理的这条路。

Gt+1=( Gt∪Δ+ )∖Δ−\displaystyle \mathcal{G}_{t+1}=\big(\,\mathcal{G}_t \cup \Delta^{+}\,\big)\setminus \Delta^{-}
一句话解释：图谱的每一次换代，就是“加入被证实的新边、删掉被推翻的旧边”的加减法。
  1. 新增边集合\(\Delta^{+}\) 是本周期新获得证据支持的因果边，例如新发表的研究确认的传导机制。
    Δ+\Delta^{+}
  2. 剔除边集合\(\Delta^{-}\) 是置信度跌破阈值或已被证伪的旧边，例如被撤销的医学结论。
    Δ−\Delta^{-}
  3. 新一版图谱\(\mathcal{G}_{t+1}\) 表示在旧图 \(\mathcal{G}_t\) 上先并入新边、再剔除旧边之后得到的最新版本，如此周而复始地演化。
    Gt+1=(Gt∪Δ+)∖Δ−\mathcal{G}_{t+1}=\big(\mathcal{G}_t \cup \Delta^{+}\big)\setminus \Delta^{-}

AI 应用场景

医疗诊断问答：讲得出“为什么”的 AI 医生

阶段：检索增强生成（RAG）中的图谱检索与上下文注入

解决的问题：传统医疗问答 LLM 依据训练语料中的统计相关性作答，经常“答得顺但说不清为什么”，医生不敢采信。接入因果图谱后，系统把症状与检查结果映射到节点，沿“诱因→机制→症状”的路径检索，给出可逐条核查的因果链，回答的准确性与可解释性同时提升。

具体案例：患者问“为什么服用硝苯地平后会头晕”，系统检索图谱命中“硝苯地平→外周血管扩张→血压骤降→脑供血不足→头晕”链条，在回答中主动展示该路径，医生据此判断是否为药物副作用并调整方案。

金融风险传导：把政策翻译成行业链

阶段：结构化知识注入与生成（图谱路径作为推理依据）

解决的问题：分析师常要翻阅数十份研报才能把“宏观政策→行业传导→企业风险”串成链条，效率低且容易遗漏中间环节。因果图谱把这类传导机制提前结构化，LLM 直接沿图谱路径组织答案，保证结论有链可查、有据可依。

具体案例：投研助手收到“央行加息对地产链有哪些影响”，系统沿图谱检索“加息→融资成本上升→房企现金流承压→建材需求下滑”，生成带因果链的研报草稿，每条结论旁标注图谱证据来源。

智能客服排障：沿因果链定位根因

阶段：对话式因果推理（多现象映射到节点后回溯共同祖先）

解决的问题：传统客服机器人只能匹配 FAQ 话术，面对“下雨天宽带频繁掉线”这类多因交叉描述束手无策。结合因果图谱后，机器人把客户描述的多个现象映射到节点，回溯共同原因节点定位根因，并据此给出处置建议。

具体案例：用户报修“下雨天宽带经常断网”，机器人沿“暴雨→线路受潮→信号衰减→掉线”路径解释原因，并主动推送“检查户外网线接头是否进水”的建议，一次解决率提升约 20%。

Python 演示

python102 行
# -*- coding: utf-8 -*-"""最小可用的因果图谱演示: 构建, 查询, 路径搜索与 LLM 增强回答"""  class CausalNode:    def __init__(self, name):        self.name = name  class CausalGraph:    def __init__(self):        self.nodes = []        self.adj_map = {}        self.conf_map = {}     def node_names(self):        return [n.name for n in self.nodes]     def add_node(self, name):        if name not in self.node_names():            self.nodes.append(CausalNode(name))     def add_edge(self, cause, effect, confidence=0.9):        self.add_node(cause)        self.add_node(effect)        if cause not in self.adj_map:            self.adj_map[cause] = []        self.adj_map[cause].append((effect, confidence))        self.conf_map[(cause, effect)] = confidence     def neighbors(self, cause):        return self.adj_map.get(cause, [])     def find_paths(self, start, goal, max_depth=4):        """DFS 搜索从 start 到 goal 的全部因果路径, 返回 (路径, 综合置信度)"""        paths = []        visited = {start}         def dfs(node, path, score):            if node == goal:                paths.append((list(path), score))                return            if len(path) >= max_depth:                return            for nxt, conf in self.neighbors(node):                if nxt in visited:                    continue                visited.add(nxt)                path.append(nxt)                dfs(nxt, path, score * conf)                path.pop()                visited.discard(nxt)         dfs(start, [start], 1.0)        paths.sort(key=lambda item: -item[1])        return paths     def format_context(self, paths, limit=2):        """把最优路径序列化成 LLM 可读的因果上下文"""        lines = []        for path, score in paths[:limit]:            chain = " -> ".join(path)            lines.append("因果链: %s (置信度 %.2f)" % (chain, score))        return "; ".join(lines)  def pseudo_llm(question, context):    """模拟大语言模型: 把图谱检索到的因果上下文注入回答"""    if not context:        return "我不确定其中的因果关系, 需要更多信息。"    return ("根据因果图谱检索: %s。\n"            "结合因果链, 回答: %s" % (context, question))  def main():    g = CausalGraph()    g.add_edge("暴雨", "城市内涝", 0.95)    g.add_edge("城市内涝", "交通瘫痪", 0.90)    g.add_edge("交通瘫痪", "就医延误", 0.85)    g.add_edge("暴雨", "线路老化", 0.70)    g.add_edge("线路老化", "信号中断", 0.88)    g.add_edge("信号中断", "就医延误", 0.60)     print("== 因果图谱节点 ==")    print(g.node_names())     print("\n== 邻域扩展: 暴雨直接影响哪些后果 ==")    for effect, conf in g.neighbors("暴雨"):        print("暴雨 -> %s (置信度 %.2f)" % (effect, conf))     print("\n== 路径搜索: 暴雨如何导致就医延误 ==")    paths = g.find_paths("暴雨", "就医延误")    for path, score in paths:        print("%s (综合置信度 %.2f)" % (" -> ".join(path), score))     print("\n== 模拟 LLM 增强回答 ==")    context = g.format_context(paths)    print(pseudo_llm("为何暴雨会导致就医延误?", context))  if __name__ == "__main__":    main()
目的：实现一个最小可用的因果图谱——支持节点/边构建、邻域查询、DFS 路径搜索与置信度排序，并模拟 RAG 把因果链注入 LLM 回答。
  1. self.adj_map[cause].append((effect, confidence))用邻接表保存“原因 → （后果，置信度）”的映射，对应图谱的有向边。
  2. paths.append((list(path), score))找到终点节点时，保存一条完整因果链及其累计置信度。
  3. dfs(nxt, path, score * conf)深度优先搜索沿边递归，用乘法累积路径置信度，体现“木桶效应”。
  4. paths.sort(key=lambda item: -item[1])按综合置信度从高到低排序，让最优因果链排在最前。
  5. chain = " -> ".join(path)把节点列表序列化成人类可读的因果链文本，供注入提示词。
  6. g.find_paths("暴雨", "就医延误")发起路径搜索，找出图中所有因果传导链并排序。
  7. pseudo_llm(question, context)模拟 RAG：把检索到的图谱上下文拼进模型回答，展示“导航播报”效果。

常见误区

误区“通用知识图谱里不也有'导致''引发'这类关系吗？直接用现成的知识图谱回答因果问题不就行了？何必再造一张因果图谱？”

正解通用知识图谱追求“实体—关系—实体”的覆盖面，大量边是“位于、属于、出版”等非因果关联；因果图谱则要求每条边都满足方向性（因→果）且具有可验证机制。如果把“位于同一城市”当成因果链，LLM 就会一本正经地胡说八道。两者用途不同，建图标准自然不同。

为何常见：两者都是“节点+边”的图形态，初学者只看结构相似，忽略了“边的语义约束”才是区分关键。

误区“我用皮尔逊相关系数算出 A 和 B 高度相关，时间上也是 A 在前，那这条 A→B 的因果边就可以入图了。”

正解相关性不等于因果性。经典例子是冰淇淋销量与溺水人数高度相关，真实因果链却是“气温升高”同时驱动两者。要确认因果，需要排除混杂因素、参考干预实验或融合专家机制知识。统计相关只能作为候选证据，必须配合置信度评估。

为何常见：相关性在数据里随手可算，而因果验证成本高，人天生倾向“省事归因”。

误区“反正是用图谱增强 LLM，把图谱里所有节点和边都写进提示词，给足信息，模型总该答准了吧？”

正解上下文过长会稀释模型的注意力，还会引入大量无关噪声、推高 token 成本。正确做法是像导航只播报该走的路口一样，按问题检索局部子图与相关路径，只注入最相关的因果链，既准又省。

为何常见：“信息越多越好”在小规模实验中成立，但在 LLM 的上下文窗口与注意力机制下，噪声增长往往快于信息增益。

误区“图谱构建完成后就像字典一样躺着，以后查询直接读就行，不需要再维护。”

正解因果机制会随现实演化：新药上市改变治疗方案、政策调整改变传导路径、旧研究被证伪。图谱必须周期性地并入新边 \(\Delta^{+}\)、剔除过时边 \(\Delta^{-}\)，否则回答会越来越陈旧，甚至给出已被推翻的因果结论。

为何常见：把图谱类比成静态字典，忽略了它本质上是“对动态世界的一张快照”。

面试题

Q1. 因果图谱中，一条因果边最核心的约束是什么？

单选题 · easy

  • A.两个节点文字描述清晰
  • B.边必须从原因指向结果← 正确答案
  • C.每条因果边都要有权重
  • D.节点必须属于同一领域

答案：B。因果边的灵魂是方向性——必须从因指向果，如同单行道。文字描述、数值权重、领域归属都是可选项，唯有方向性不可妥协。这与前文“方向是因果图谱第一特征”的论述一致。

Q2. 在因果三元组（X, r, Y）中，符号 r 表示什么？

单选题 · easy

  • A.节点的编号序号
  • B.图谱的版本号
  • C.因果关系的类型← 正确答案
  • D.检索路径的距离

答案：C。三元组是因果知识的最小封装，“（原因，关系，结果）”中 r 描述关系类型，如“导致”“加重”“抑制”。它回答的是“怎么导致的”这个问题，而不是编号、版本或距离。

Q3. 以下哪类证据不能单独作为构建因果图谱的依据？

单选题 · easy

  • A.权威专家归纳的因果机制
  • B.文献里明确的因果结论
  • C.观测数据中的统计相关← 正确答案
  • D.随机对照试验的结果

答案：C。统计相关可能由混杂因素导致，比如冰淇淋销量与溺水人数相关但并无因果。单靠观测相关性建边会混入大量假边，必须结合干预实验或专家校验，因此选项 C 不能单独作为依据。

Q4. 一条因果路径的综合置信度通常如何计算？

单选题 · mid

  • A.各边置信度的求和值
  • B.各边置信度的乘积值← 正确答案
  • C.各边置信度的最大值
  • D.各边置信度的均值

答案：B。因果链遵循“木桶效应”——任一环断裂整条链就不成立，所以各边置信度取乘积。求和、取最大或均值都无法体现“一环薄弱则全链不可靠”的特性。

Q5. 检索增强的因果问答中，注入 LLM 的上下文最好是？

单选题 · mid

  • A.全量因果图谱的序列化文本
  • B.与问题相关的局部因果子图← 正确答案
  • C.所有节点名称构成的清单
  • D.图谱构建过程的代码

答案：B。像导航只播报该走的路口一样，应该按问题检索局部子图与相关路径。全量文本会稀释注意力、引入噪声并浪费 token；节点清单缺少边信息；构建代码与回答无关。

Q6. 关于因果图谱与通用知识图谱的区别，正确的是？

单选题 · hard

  • A.因果图谱中不包含任何节点
  • B.通用图谱含非因果关联边← 正确答案
  • C.两者结构完全不同无交集
  • D.因果图谱只能用图库存储

答案：B。通用知识图谱以实体关系覆盖为目标，包含大量“位于、属于”等非因果边；因果图谱只沉淀带方向且可验证的因果机制。两者都是图结构、可互相借鉴，而非完全无交集。

Q7. 因果图谱动态更新时，主要处理的对象是？

单选题 · hard

  • A.置信度下降或语义过时的边← 正确答案
  • B.所有历史数据形成的旧边
  • C.与专家知识冲突的边
  • D.仅仅只有新加入的边

答案：A。动态更新是“加减法”：并入新证据支持的边（\(\Delta^{+}\)），剔除置信度跌破阈值或语义过时的边（\(\Delta^{-}\)）。并非所有旧边都要删，也不是只加新边，而是按证据状态决定增删。

Q8. 以下哪些属于构建因果图谱的可靠证据来源？

多选题 · mid

  • A.领域专家手工标注的图谱← 正确答案
  • B.学术文献中的因果表述← 正确答案
  • C.含混杂因素的历史日志
  • D.有对照的干预实验数据← 正确答案

答案：ABD。专家知识、文献挖掘、干预实验都是可靠来源；而含混杂因素的历史日志只提供相关性，需进一步排除混杂后才能建边，不能直接作为可靠证据。

Q9. 因果图谱增强大语言模型的常见方式有哪些？

多选题 · mid

  • A.检索因果路径拼入提示词← 正确答案
  • B.让模型沿图谱路径逐步推理← 正确答案
  • C.用图谱替换模型全部参数
  • D.从图谱抽取子图作上下文← 正确答案

答案：ABD。检索增强（子图作上下文）、结构注入（路径文本拼入提示词）、推理反馈（沿图谱逐步推理）是三种主流方式。图谱是外部知识设施，并不修改模型内部参数。

Q10. 关于“相关性不等于因果性”，正确的说法是？

多选题 · hard

  • A.相关可以由共同原因导致← 正确答案
  • B.因果确认需考虑时间先后← 正确答案
  • C.相关性足以支撑因果建边
  • D.干预实验可提供因果证据← 正确答案

答案：ABD。共同原因（混杂）会造成虚假相关，所以选项 A 正确；原因必须先于结果发生，所以时间先后很重要，B 正确；干预实验是因果验证的重要手段，D 正确；相关性本身不足以建边，C 错误。