想象你是一家侦探事务所的所长，手下有一位“天才实习生”——大语言模型。这个实习生读过天下所有卷宗，记忆力惊人，任何档案都能倒背如流。可有一天，法官在庭上问它：“为什么保险柜会被打开？”“要是当晚保安没睡过头，失窃案还会发生吗？”实习生愣住了——它能背出所有“发生了什么”的资料，却答不上“为什么”和“如果”。 这正是当下大语言模型面临的拷问。普通问答只需搜索记忆，而因果问答（Causal QA）要求模型从错综复杂的线索里分辨：哪些是真正的因果，哪些只是巧合的相关。本文就是用这位实习侦探的成长故事，带你理解因果问答是什么、如何评估、怎样提升，以及它在真实世界里能破哪些案子。

岗位关联

掌握因果问答的设计与评估思路，是构建可靠智能助手与决策支持系统的关键能力，能帮你突破“只会找相关、说不出因果”的模型瓶颈。

目录
  1. 可视化演示
  2. 神探入门课：什么是因果问答
  3. 第一课：相关不等于因果
  4. 法庭考题：三类因果问题
  5. 神探考核表：评估基准测试
  6. 破案手册：因果推理方法
  7. 神探的软肋：模型能力边界
  8. 接案实战：应用落地场景
  9. 未来之路：因果推理新方向
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示相关与因果的本质差异、反事实推理的因果阶梯及因果图方向约束，支持三模式交互切换。

本节配有交互动效（进入视口后自动加载，约 3KB）。

相关与因果的本质差异 混杂变量（温度）同时影响冰淇淋销量与溺水率 二者正相关但无因果关系，为伪关联 下雨导致地面湿为真因果 P(Y|X)≠P(Y|do(X)) 统计相关不等于因果。

神探入门课：什么是因果问答

侦探所所长给实习生出了一道考题：“请回答，为什么昨天凌晨仓库的警报器响了？”实习生能背出完整的事故报告，却答不出“为什么”。因为它擅长检索记忆，不擅长因果推理。在AI领域，这同样是一道难题：因果问答要求模型面对“为什么”和“怎么办”的问题，给出基于因果机制而非表面词频的回答。它不只问“发生了什么”，更追问“是什么引起了它”以及“如果改变了它，会产生什么不同”。

从技术上说，因果问答通常建模为：给定问题 \(q\)、上下文 \(C\)，有时还有一张可选的因果图，要求模型输出答案 \(a\)。问题的答案必须反映干预或反事实的语义，而不能只是从语料中找一句最像的话。它是衡量LLM“理解因果机制”的试金石，也是从“会说话”走向“会判断”的关键一环。

因果问答的数学核心，是这个“干预”记号：

回到侦探实习生：掌握了do算子，它才分得清“看着嫌疑人走进咖啡馆”和“把嫌疑人推进咖啡馆”是两回事——前者是观察相关，后者才可能验证因果。一个只背卷宗的模型，永远无法回答“如果”类问题。

P(Y=y∣do(X=x))\displaystyle P(Y = y \mid do(X = x))
这个式子读作：“当我们主动把X设定为x时，Y等于y的概率。”它区分了“观察”与“干预”。
  1. 概率函数 P表示某个事件在给定条件下的发生概率，例如“明天下雨的概率”。
    P(⋅)P(\cdot)
  2. 结果事件 Y = y我们关心的被解释事件，比如“失窃案发生”或“用户流失”。
    Y=yY = y
  3. do 算子 do(X = x)英文 do（做）取名的运算符，表示主动干预，把X强制置为x，如同实验里人为控制变量。而普通条件概率中的“看到X=x”不做任何干预。
    do(X=x)do(X = x)

第一课：相关不等于因果

侦探发现嫌疑人每天都出现在案发地附近的咖啡馆，看起来“高度相关”。但真实原因可能是：嫌疑人是这家咖啡馆的咖啡师。相关只是两个变量在数据中共同变化的倾向，而因果要求改变一个变量会直接带来另一个的改变。混淆变量是制造伪相关的元凶：一个隐藏因素同时推动两个变量，让它们看起来同步。

典型例子就是可视化里的冰淇淋与溺水：两者在夏天同时上升，共同原因却是高气温。这类问题在LLM应用中大量出现——比如“网站访问量上升”和“Bug出现次数上升”同步发生，背后可能是版本发布这个共同原因。如果模型只凭相关性回答“访问量大导致Bug多”，就犯了侦探的错误。

从统计上，相关系数是衡量线性关联的常用指标：

侦探不会被“出现在现场附近”这个表象迷惑。它要找到证据链证明：真正改变案件走向的是哪个变量。因果问答的使命，就是让模型也学会这一步——看见同步，更要追问同步背后的机制。

r=∑i=1n(Xi−Xˉ)(Yi−Yˉ)∑i=1n(Xi−Xˉ)2⋅∑i=1n(Yi−Yˉ)2\displaystyle r = \frac{\sum_{i=1}^{n}(X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum_{i=1}^{n}(X_i - \bar{X})^2} \cdot \sqrt{\sum_{i=1}^{n}(Y_i - \bar{Y})^2}}
这个式子衡量两个变量的线性关联强度，取值范围是 -1 到 1。1 表示完全正相关，-1 表示完全负相关，0 表示无线性关联。但它不回答“谁引起了谁”。
  1. 样本对 (X_i, Y_i)第 i 个观测到的两个变量取值，比如第 i 天的冰淇淋销量和溺水人数。
    Xi, YiX_i,\ Y_i
  2. 均值 \bar{X}, \bar{Y}两个变量的平均值，用来衡量中心位置。
    Xˉ=1n∑i=1nXi\bar{X} = \frac{1}{n}\sum_{i=1}^{n}X_i
  3. 乘积之和当 X_i 高于均值时 Y_i 也高于均值，乘积为正，说明两者同步变动。
    ∑i=1n(Xi−Xˉ)(Yi−Yˉ)\sum_{i=1}^{n}(X_i - \bar{X})(Y_i - \bar{Y})
  4. 归一化分母把量纲和波动幅度抵消，让 r 落在 [-1, 1] 区间。
    ∑(Xi−Xˉ)2⋅∑(Yi−Yˉ)2\sqrt{\sum(X_i-\bar{X})^2} \cdot \sqrt{\sum(Y_i-\bar{Y})^2}

法庭考题：三类因果问题

侦探在法庭上会遭遇三连问。第一问：“证人看到被告出现在现场，这与案发有什么关系？”——这是关联。第二问：“如果案发当晚实施了新的安保程序，结果会怎样？”——这是干预。第三问：“要是被告当时没有离开家，案件还会发生吗？”——这是反事实。

图灵奖得主 Pearl 把推理分为三个层级：关联、干预、反事实。LLM 要良好地完成因果问答，就必须在这三个层级上给出正确回答，而不仅仅停留在关联层。关联层只需统计规律，干预层涉及改变系统，反事实层则要在已知事实之上做“平行世界”推断。

三者的形式化区别是：

侦探在脑中搭建“平行世界”：假如凶手当时没拿到钥匙，现场会不会不同？这种推理无法从已发生的数据中直接统计到，却恰恰是决策与问责的核心。法官问的永远是“如果”，而不是“已经”。

P(Y∣X),P(Y∣do(X)),P(Yx′∣X=x)\displaystyle P(Y \mid X), \quad P(Y \mid do(X)), \quad P(Y_{x'} \mid X = x)
从左到右分别读作：“看到 X 时 Y 的概率”、“干预 X 时 Y 的概率”、“在已知 X=x 的情况下假设 X=x' 时 Y 的概率”。层次越高，推理难度越大。
  1. 关联层 P(Y|X)被动观察到 X 后，Y 的分布。例如“看到吸烟者中，患肺癌的比例”。
    P(Y∣X)P(Y \mid X)
  2. 干预层 P(Y|do(X))主动设定 X 的取值，观察 Y。例如“强制所有人戒烟后，患癌比例如何变化”。
    P(Y∣do(X))P(Y \mid do(X))
  3. 反事实层 P(Y_{x'} \mid X = x)事实是 X=x，我们追问“若 X=x' 会怎样”，其中 x' 是一个未曾发生的假设值。
    P(Yx′∣X=x)P(Y_{x'} \mid X = x)

神探考核表：评估基准测试

只靠感觉无法知道实习生是否成为神探。评测机构设计了专门的考卷：一组经精心标注的因果问答数据集，比如 COPA（因果推理选择题）、CausalQA（开放问答）等。考卷里混入了大量“看起来相关”的干扰项，只有真正的因果推理能答对。

评估通常从三个维度看：答案准确率（答对题目占比）、方向判断（能否正确识别哪边是因、哪边是果）、理由质量（解释是否依赖正确的因果机制，而非凑巧的词面线索）。评测数据往往还标注了“干扰变量”，用来检查模型是否被相关性带偏。

准确率的定义很直接：

就像侦探考试卷里特意安排“红鲱鱼”（误导线索），好的因果评测也会在题目里埋下“高相关但无关因果”的选项。答对这些干扰题，才算没被表象欺骗。评估不是找茬，而是给模型的因果能力做X光。

Acc=1N∑i=1N1(y^i=yi)\displaystyle \text{Acc} = \frac{1}{N} \sum_{i=1}^{N} \mathbb{1}(\hat{y}_i = y_i)
意思是：在所有 N 道题中，模型答对的题目占比。但准确率高只是“及格”，真正的因果力要看干扰项上的表现。
  1. 求和与平均1/N 乘以求和符号，表示“对 N 个样本取平均”。
    1N∑i=1N\frac{1}{N}\sum_{i=1}^{N}
  2. 指示函数当预测答案与真实答案相等时取 1，否则取 0。
    1(y^i=yi)\mathbb{1}(\hat{y}_i = y_i)
  3. 整体含义答对题数除以总题数。若题目设计得好，高准确率意味着模型真的在做因果判断而不是背答案。
    Acc=答对数总题数\text{Acc} = \frac{\text{答对数}}{\text{总题数}}

破案手册：因果推理方法

有个身手好但经验浅的侦探并不够，还需要一本破案手册——如何提问、如何串联证据。对 LLM 而言，手册就是提示工程与解码策略。常用方法有四类：一是链式思考（Chain-of-Thought），让模型先把推理过程说出来再给结论；二是因果状语约束，在问题中显式提示“请先判断这是相关还是因果”“是否存在第三变量”；三是少样本示例，给模型展示几个已知的“相关 vs 因果”判别范例；四是因果图引导，让模型以图结构组织知识再推导，相当于给侦探一张案件关系图。

因果图是知识表示的关键：图中的节点是变量，有向边表示直接因果。联合概率分布的可分解性，是因果图模型被广泛应用的原因：

侦探把卷宗画成“嫌疑人关系图”，从图中一眼看出谁直接影响谁、谁只是间接牵连——这就是因果图在破案中的威力。提示工程负责把这份关系图“画进”模型的推理过程。

P(X1,X2,…,Xn)=∏i=1nP(Xi∣Pa(Xi))\displaystyle P(X_1, X_2, \dots, X_n) = \prod_{i=1}^{n} P(X_i \mid \text{Pa}(X_i))
这表示“整张因果图的联合概率，等于每个变量在其直接父节点条件下的概率之积”。它把复杂因果关系拆成了易于推理的小模块。
  1. 联合概率所有变量共同出现的概率分布，刻画全局关系。
    P(X1,X2,…,Xn)P(X_1, X_2, \dots, X_n)
  2. 连乘符号将多个条件概率相乘，表示把整体拆成部分再组合。
    ∏i=1n\prod_{i=1}^{n}
  3. 父节点 Pa(X_i)在因果图中直接指向 X_i 的变量，也就是 X_i 的直接原因。
    Pa(Xi)\text{Pa}(X_i)
  4. 结构含义每个变量只依赖其父节点，与更远的间接因素条件独立，因此可以从局部的因果信息重建全局分布。
    P(Xi∣Pa(Xi))P(X_i \mid \text{Pa}(X_i))

神探的软肋：模型能力边界

再聪明的实习生也有短板。第一块短板是相关性偏见：训练数据里大量共现信息，让模型默认“A 在 B 之前出现 = A 导致 B”。第二块短板是无法做实验：do 算子需要主动干预数据生成过程，而 LLM 只能被动读数据。第三块短板是分布外退化：遇到训练分布之外的新问题，模型容易胡编原因。

形式上有：

这说明从观察数据中得到的条件概率，通常不等于干预后的概率。LLM 若只记住“x 出现时 y 也出现”的词间关系，就相当于用左边的观察概率冒充右边的干预概率。

侦探虽然能把案发前的种种迹象背得滚瓜烂熟，但它从未真正改变过一次案发进程。背下案卷不等于有能力阻止案件——LLM 也需要在“不知道”时承认边界，而不是自信地编造答案。

P(y∣x)≠P(y∣do(x))\displaystyle P(y \mid x) \neq P(y \mid do(x))
左边是“看到 X 时 Y 的概率”，右边是“强行让 X 发生时 Y 的概率”。两者相等的情况很少，所以用观察替代实验会出错。
  1. P(y | x)观察到 x 后 y 的条件概率，来自历史数据。
    P(y∣x)P(y \mid x)
  2. P(y | do(x))通过干预实验得到的 y 概率，需要改变系统的生成方式。
    P(y∣do(x))P(y \mid do(x))
  3. 不等号提醒“观察 ≠ 干预”，模型必须意识到自己缺的是实验能力。
    ≠\neq

接案实战：应用落地场景

当侦探掌握了因果问答，就能真正接上案子。在医疗问诊辅助中，用户问“我最近总失眠，为什么呢？”系统不能只回答“失眠与压力相关”，而应指出“在控制作息、咖啡因等混杂因素后，长期焦虑是显著原因”，给出可干预的方向。在企业决策支持中，“如果下调价格 10%，销量会怎样”需要干预推断，而非简单地用历史相关数据外推。在智能运维中，“为什么服务突然变慢”需要把多个监控指标构建成因果图，定位根因。

决策系统常用一个简单规则：

侦探不再只会分析旧案，而是给警长出具行动建议：“如果派警力到 A 区，预计抢劫案下降 15%，因此建议执行。”——因果问答让 LLM 从解说员变成参谋。

Do(x)=1[E[Y∣do(X=x)]>τ]\displaystyle \text{Do}(x) = \mathbb{1}\left[ E[Y \mid do(X = x)] > \tau \right]
含义是：只有当“干预 X=x 之后，结果 Y 的期望收益超过阈值 τ”时，才选择执行该干预。这比“看到高相关就行动”可靠得多。
  1. 干预期望执行干预后，结果 Y 的平均水平，由因果模型估计。
    E[Y∣do(X=x)]E[Y \mid do(X = x)]
  2. 指示函数条件成立输出 1（执行），否则输出 0（不执行）。
    1[⋅]\mathbb{1}[\cdot]
  3. 阈值 τ行动门槛，由业务场景决定，比如成本与风险承受度。
    τ\tau

未来之路：因果推理新方向

神探体系还在进化。当前 LLM 的因果问答更多依靠语言先验打擦边球，真正的因果推断还需外部工具与结构化模型的支援。几个方向值得期待：因果外推——从观察数据估计干预效果，减少对随机实验的依赖；因果世界模型——让模型在内部显式构建环境因果图，而不是只记忆词序；人机协同——由人定义因果假设，由模型进行大规模计算验证；可解释性——让模型输出附带清晰的因果链条，使用户“知其所以然”。

训练一个更接近真正侦探的模型，可以在损失函数中加入因果先验：

侦探所的下一个纪元，不是记忆更全的实习生，而是能设计实验、构建因果模型，并敢于说“我不知道”的思考者。因果问答正是通往这个纪元的起点。

min⁡θE(q,a)∼D[L(fθ(q),a)]+λ⋅Rcausal(θ)\displaystyle \min_{\theta} \mathbb{E}_{(q,a) \sim \mathcal{D}} \left[ \mathcal{L}(f_{\theta}(q), a) \right] + \lambda \cdot \mathcal{R}_{causal}(\theta)
目标是在“答对问题”和“遵循因果结构约束”之间取平衡。λ 控制因果先验的权重。
  1. 期望与损失在数据分布中，模型预测与标准答案的平均偏差（损失）越小越好。
    E(q,a)∼D[L(fθ(q),a)]\mathbb{E}_{(q,a) \sim \mathcal{D}} \left[ \mathcal{L}(f_{\theta}(q), a) \right]
  2. 权重参数 λ控制后一项（因果先验）有多重要。
    λ\lambda
  3. 因果正则项约束模型的预测与合理因果图一致，例如禁止把纯混淆关系当因果。
    Rcausal(θ)\mathcal{R}_{causal}(\theta)

AI 应用场景

医疗问诊归因助手

阶段：推理与决策

解决的问题：传统问诊助手只会罗列与症状相关的疾病列表，无法回答“为什么我长期咳嗽”这类归因问题，容易把“相关但非病因”的信息也当作原因。引入因果问答后，助手可以控制年龄、吸烟史等混杂因素，给出因果层面的解释：“长期咳嗽的主要可能原因是慢性支气管炎，吸烟是主要诱因。”

具体案例：某在线问诊平台接入因果问答模块。用户描述症状后，系统先用因果图筛选嫌疑病因，再对每个候选病因计算干预后症状改善的概率，最后输出排序后的因果解释。结果显示，用户对答案的信任度相比传统列表式回答显著提升。

营销干预效果评估

阶段：策略优化与决策支持

解决的问题：业务方问“如果给老用户发 8 折券，复购率会提升多少？”传统分析只做相关性统计（领券的人复购率高），忽略了自选择偏差——本来就想买的人更可能领券。因果问答让模型区分“券带动复购”与“活跃用户自发复购”，给出干预层面的估计。

具体案例：某电商数据科学团队用 LLM 回答运营提出的因果类问题。模型提取对话中的因果意图，自动调用 uplift 模型估算干预效应，生成报告：“降价券对沉睡用户复购率提升 1.8%，对活跃用户效果不显著。”业务据此精准投放。

工业故障根因分析

阶段：诊断与解释

解决的问题：运维中告警指标高度相关，人类专家难以从数十个指标中判断根因。用因果问答让 LLM 综合监控数据构建因果图，识别“时延上升”的直接原因是磁盘队列堆积还是网络带宽抖动，避免误报与无效处置。

具体案例：某云厂商智能运维平台集成因果问答模块。当服务 SLO 抖动时，自动生成解释：“操作 X 在时间点 T 触发磁盘水位上升，进而导致时延。若回滚配置，指标预计 10 分钟内恢复。”平台据此自动触发止损预案。

Python 演示

python48 行
import numpy as np class CausalQADemo:    """迷你因果问答演示：展示"相关不等于因果"的统计事实。"""     def __init__(self, seed=42):        rng = np.random.default_rng(seed)        self.temp = rng.normal(20, 8, 300)          # 温度（混淆变量）        self.ice = 3.0 * self.temp + rng.normal(0, 8, 300)        self.drown = 0.5 * self.temp + rng.normal(0, 3, 300)     def naive_corr(self):        return np.corrcoef(self.ice, self.drown)[0, 1]     def partial_corr(self):        def residuals(a, b):            # 用 b 线性预测 a，返回残差            A = np.vstack([b, np.ones_like(b)]).T            coef, *_ = np.linalg.lstsq(A, a, rcond=None)            return a - A @ coef         rx = residuals(self.ice, self.temp)        ry = residuals(self.drown, self.temp)        return np.corrcoef(rx, ry)[0, 1]     def answer(self, question):        r = self.naive_corr()        rp = self.partial_corr()        if "为什么" in question:            if abs(rp) < 0.1:                return ("没有证据表明吃冰淇淋会直接导致溺水。"                        "观测到的强相关（r=%.2f）主要来自共同原因——高温；"                        "控制温度后偏相关仅为 r=%.2f。" % (r, rp))            return "存在可能直接因果效应，建议做受控实验（do 算子）验证。"        if "会怎样" in question:            return "若强行改变冰淇淋销量（do(ice)），预期溺水人数几乎不变。"        return "请提出为什么类或如果类问题。" if __name__ == "__main__":    demo = CausalQADemo()    print("整体相关系数 r  = %.3f" % demo.naive_corr())    print("控制温度后偏相关 r = %.3f" % demo.partial_corr())    print()    print("Q: 为什么冰淇淋销量越高，溺水人数越多？")    print("A:", demo.answer("为什么冰淇淋销量越高，溺水人数越多？"))    print()    print("Q: 如果禁止卖冰淇淋，溺水人数会怎样？")    print("A:", demo.answer("如果禁止卖冰淇淋，溺水人数会怎样？"))
目的：用模拟数据演示“整体高相关”如何被混淆变量解释——控制温度后，冰淇淋与溺水的偏相关趋近于零，从而回答“为什么”与“如果”两类因果问题。
  1. self.temp = rng.normal(20, 8, 300)生成 300 个温度样本，作为隐藏的“共同原因”。
  2. self.ice = 3.0 * self.temp + rng.normal(0, 8, 300)让冰淇淋销量受温度正向影响。
  3. self.drown = 0.5 * self.temp + rng.normal(0, 3, 300)让溺水人数同样受温度影响，但不受冰淇淋影响。
  4. def naive_corr朴素相关系数：直接看 X 与 Y 的关系，会得到很高的值。
  5. def partial_corr偏相关：先剔除温度的影响，再计算 X 与 Y 残余相关。
  6. rx = residuals(self.ice, self.temp)把销量中被温度解释的部分去掉。
  7. np.corrcoef(rx, ry)[0, 1]计算残差之间的相关系数。
  8. if "为什么" in question识别“为什么”型问题，返回因果层面的解释。
  9. if "会怎样" in question识别“如果”型问题，给出干预推断的结果。

常见误区

误区“我看到两个数值走势一模一样，肯定是一个导致了另一个，这不就是因果吗？”

正解相关系数只度量线性共变，不包含方向、不排除共同原因、更不代表干预会改变结果。就像“冰淇淋销量和溺水人数”高度相关，但禁止卖冰淇淋不会降低溺水人数。要验证因果，需借助 do 算子、受控实验，或对混淆变量的控制。

为何常见：人天生擅长从共变中推断因果，这是进化形成的快速启发式；而数据中共同趋势太常见，大脑默认“一起变就是有关系”。

误区“我的模型在因果问答基准上准确率 90%，它一定理解了因果关系。”

正解LLM 可能记住训练数据中的词间关联或答案模式，而不是进行干预推理。评测数据若存在语言偏差（例如“因为”后面常接“所以”），模型可无需理解机制就答对。需要设计干扰项、控制混淆变量的测试才能验证真伪。

为何常见：准确率是最直观的指标，但“答对”不等同于“理解”，尤其是语言模型擅长模式匹配。

误区“要是当时没下雨，比赛一定能赢——这问题肯定有一个标准答案。”

正解反事实推理依赖假设的因果模型和未观测变量。不同假设（如天气是否直接影响状态）会推出不同结论。因此优秀模型应该给出条件化回答：“如果天气只影响场地，那么……”，而不是断言唯一结论。

为何常见：非黑即白的直觉让学习者期待每个因果问题都有标准答案，而现实中因果推断本质是假设驱动的。

误区“我在 prompt 里写'请进行因果推理'，模型就会 do 算子计算了。”

正解提示词能引导模型调用语言先验，但不会让它自动执行真正的干预或反事实计算。更可靠的做法是：少样本示例 + 因果图约束 + 对答案的结构化后处理。提示工程是“引导”而非“魔法开关”。

为何常见：LLM 输出的因果术语很流畅，让人误以为它在进行严格推理；但只要把问题换成分布外场景，模型往往立刻漏馅。

误区“我把所有变量都连上边，因果图肯定比其他图更准确。”

正解过拟合的因果图会造成伪精确：边数越多，越容易把噪声当作因果。正确做法是追求“最小充分图”，用简洁结构解释最多的观测规律，并通过干预实验验证关键边。

为何常见：人在信息不足时倾向于添加假设来“解释一切”，这恰好违背了奥卡姆剃刀原则——如无必要，勿增实体。

面试题

Q1. 因果问答与普通问答的核心区别是？

单选题 · easy

  • A.从数据中找出统计规律
  • B.回答为什么和如果类问题← 正确答案
  • C.只能处理英文问题
  • D.不需要理解上下文

答案：B。普通问答回答“是什么”，因果问答回答“为什么”“如果”，核心在因果层面。A 是所有数据任务都有的共性；C 与语种无关；D 明显错误——理解上下文是问答的基础。

Q2. 下列哪组关系最能说明“相关不等于因果”？

单选题 · easy

  • A.吸烟与肺癌关联
  • B.打雷与闪电相伴
  • C.冰激凌销量与溺水← 正确答案
  • D.训练量与成绩正相关

答案：C。冰激凌销量与溺水人数同受高温驱动，是经典伪相关案例。A 是公认的强因果；B 是同一自然现象的两个表现；D 通常有真实因果（练习促进成绩），都不如 C 典型。

Q3. 在 do 算子的语义中，do(X=x) 表示什么？

单选题 · mid

  • A.观察到 X 等于 x
  • B.主动将 X 设定为 x← 正确答案
  • C.X 与 x 做相关分析
  • D.删除变量 X 的取值

答案：B。do 表示干预——主动改变变量取值，对应受控实验。观察只是被动记录，二者有本质区别。C 是混淆了相关操作；D 是删除变量，不是干预。

Q4. Pearl 因果层次从低到高依次是？

单选题 · mid

  • A.关联、干预、反事实← 正确答案
  • B.干预、关联、反事实
  • C.反事实、干预、关联
  • D.关联、反事实、干预

答案：A。精确的三层结构是“看到（关联）→ 做到（干预）→ 假设（反事实）”。B 顺序错误；C 完全颠倒；D 把反事实和干预调换了位置。

Q5. 反事实问题“要是当时没下雨，比赛会赢吗”属于哪个层次？

单选题 · mid

  • A.属于关联层级
  • B.属于干预层级
  • C.属于反事实层级← 正确答案
  • D.属于描述层级

答案：C。该问题在事实（下了雨）之上做假设性改变，追问“如果没下雨会怎样”，正是反事实层级的定义。关联层只观察事实，干预层是主动改变，而这里是对已成事实的假设性改写。

Q6. 评估因果问答模型时，哪项最能防止“答对靠语言巧合”？

单选题 · mid

  • A.增加选择题的数量
  • B.加入高相关非因果干扰项← 正确答案
  • C.缩短问题的文本长度
  • D.只保留记忆型问题

答案：B。干扰项专门测试模型能否抵抗“高相关但非因果”的陷阱。若模型在干扰题上答错率高，说明它依赖共现模式而非因果机制。单纯加题量不改变评测质量；缩短问题或只留记忆题反而降低区分度。

Q7. 下列哪项最能说明模型把关联当成了因果？

单选题 · hard

  • A.训练集准确率高
  • B.删除混淆变量结论翻转
  • C.干扰题答错率很高← 正确答案
  • D.模型回答十分迅速

答案：C。干扰题正是“高相关但非因果”的陷阱。模型在干扰题上答错率高，说明它把共现关系当成了因果关系。A 只说明记忆好；B 是数据层面的现象，不是模型行为；D 与因果能力无关。

Q8. 因果问答在工业界的典型应用包括哪些？

多选题 · easy

  • A.医疗问诊归因解释← 正确答案
  • B.营销干预效果评估← 正确答案
  • C.拼写纠错任务
  • D.工业故障根因分析← 正确答案

答案：ABD。医疗问诊需要归因与干预建议，营销需要干预效果估计，工业运维需要根因定位——三者都需要因果层面的回答。拼写纠错是序列标注问题，不涉及因果推理。

Q9. 下列哪些方法能增强 LLM 的因果推理能力？

多选题 · mid

  • A.因果图引导提示词← 正确答案
  • B.少样本相关因果对照← 正确答案
  • C.链式思考逐步推理← 正确答案
  • D.增大语料库容量

答案：ABC。因果图提示、少样本对照、链式思考都是业界常用的因果问答增强手段。增大语料库只能增加词汇与常识覆盖，并不能让模型获得因果机制，反而可能固化相关性偏见。

Q10. 关于 LLM 在因果问答上的能力边界，正确的说法有哪些？

多选题 · hard

  • A.语料里的相关被当因果← 正确答案
  • B.do算子需要主动干预← 正确答案
  • C.分布外问题容易退化← 正确答案
  • D.完全无法进行因果推理

答案：ABC。A 是相关性偏见，B 是干预能力缺失，C 是分布外退化，三者都是已知边界。D 过于绝对——借助精心设计的提示、因果图工具与外部实验数据，LLM 可以完成部分因果推断，只是不能等同于真正的因果理解。