因果知识嵌入：因果RAG

可视化演示

三步展示因果RAG：传统RAG虚假相关vs因果RAG的SCM建模、do-算子干预检索切断后门路径消除混杂偏差、反事实检索评估证据可信度排序。

因果推理基础

老陈第一天当刑警时，接到一起仓库火灾案。他翻看卷宗，发现“所有遇难者都穿着棉质睡衣”，差点写下“穿棉睡衣导致死亡”的结论。老刑警一巴掌拍在他后脑勺：“你看到的是相关，不是因果！真正的原因是电线老化起火，棉睡衣只是让燃烧更快。”从此老陈明白，数据会撒谎，只有机制不会。

因果推理要回答的正是“如果改变 X，Y 会不会变”这一类问题。相关性描述的是“两个变量一起出现”的统计规律；因果性描述的是“一个变量通过机制改变另一个变量”的作用关系。老陈的线索板上，红色虚线代表可疑的相关，蓝色实线才是有证据支撑的因果。

因果推理用有向无环图（DAG）建模：节点是变量，有向边是因果方向。例如“吸烟 → 肺癌”表示吸烟直接改变患癌概率，而“吸烟者与打火机购买量相关”只是共现。要正确估计因果效应，需要干预操作 do(X=x)，把“观察”变成“可控实验”。当存在混杂因子 Z（如同时影响吸烟与肺癌的年龄）时，用后门调整公式消除偏差：

老陈把后门调整的方法画进了自己的办案手册：每当他发现“两个现象同时出现”，第一反应就是掏出“第三变量”清单——会不会有个 Z 同时在背后推动两者？有了这道工序，他的线索板第一次有了真正的因果链，而不只是一堆红红绿绿的相关线。

检索增强生成

老陈后来发现，自己记不住局里二十年的所有卷宗。经验再丰富，也有知识盲区。聪明的老刑警教他一招：别硬背，建档案室。办案时先按关键词调档，再把档案摆在桌上，对着材料写报告。这就是“检索增强”的生活原型——模型不可能记住全世界，那就允许它查资料。

大语言模型（LLM）像一位“记忆有限的天才侦探”：参数里封存的是训练时见过的知识，遇到知识截止日期之后的新事实就会胡编（幻觉）。RAG（检索增强生成）把生成过程拆成三步：检索（Retrieve）——从向量知识库中召回与问题相关的文档；增强（Augment）——把文档拼进提示词上下文；生成（Generate）——让模型基于证据作答。

向量嵌入是检索的地基。文档和问题都被编码成高维空间里的向量，语义相近的文本在空间中距离近。检索时用余弦相似度找最近的 K 条文档。给定查询 Q，答案是所有候选文档上的加权综合：

老陈的档案室让他从“凭记忆硬想”升级为“按需调档”。但很快他又发现新问题：档案室搜得太“宽”了，调出来的材料很多和案件“沾边但不挨着”。这就为下一章埋下伏笔——光会调档不够，还得会分辨哪份档案真正决定了案件走向。

因果RAG架构

老陈的档案室按关键词检索，输入“蒙面抢劫”，哗啦一下调出三百份材料：有讲蒙面文化的，有讲口罩标准的，还有讲头套编织方法的。老陈气得拍桌：“我要的是能锁定嫌疑人的因果证据，不是所有带'蒙面'二字的废纸！”这就是传统 RAG 的软肋——只认语义相关，不认因果相关。

因果RAG 在检索与生成之间插入了两道“因果工序”：因果感知检索（Causal-Aware Retrieval）与证据因果排序（Causal Evidence Ranking）。第一道工序在召回时就利用因果知识引导候选集；第二道工序对候选文档计算因果相关度，把“位于问题答案因果链上”的证据排在前面，把噪音证据过滤掉，最后再进入融合生成。

因果相关度的计算可以用一个综合打分公式表达。Sim 是语义相似度基线，CausalRel 衡量文档与问题之间的因果关联强度，λ 控制因果信号的权重：

有了这道“因果安检门”，老陈的线索板干净多了：三百份蒙面材料被过滤到只剩五份，而每一份都直接连着作案的动机链。融合生成阶段沿着因果链条组织证据，最终答案不再是一堆材料的拼贴，而是一条完整的“动机—手段—结果”叙事。

因果知识嵌入

老陈的线索板上，每一张便签不是孤立的。他会用图钉和棉线把“夜班安保”“仓库后门”“监控断电”串起来，形成一条决策链。这套“线索网络”要让机器理解，就必须翻译成机器擅长的语言——向量。

因果知识嵌入就是把因果图（节点为实体，边为因果方向）嵌入到向量空间。最常见的表示是因果三元组（头实体 h，关系 r，尾实体 t），例如（吸烟，导致，焦油）——其中“导致”就是因果关系的方向标志。嵌入学习的核心假设：头实体向量加上关系向量，应该近似等于尾实体向量。

这种平移假设来自经典的 TransE 模型，它让因果关系变成向量空间中的“平移操作”。有了这个性质，机器就能沿着因果链做向量加法推理：吸烟+导致≈焦油，焦油+导致≈细胞突变，于是推理出“吸烟导致细胞突变”：

老陈的线索板从此变成了一张“高维地图”。他不只在纸上连线，还能在地图上“走”出新的因果链。机器也学会了同样的本事：看到（吸烟，导致，焦油）和（焦油，导致，细胞突变），就能推断出老陈花三年才悟出来的结论。

关键算法

老陈的师父传给他三样本领。第一本是《因果发现》：给他一堆杂乱的口供，他能画出一张谁影响谁的关系网；第二本是《假设推演》：他可以闭上眼问自己“如果当晚嫌疑人没去现场，案件会怎样”；第三本是《重点盯防》：审问时他总盯着最关键的证人，其他闲杂人等都放一边。

因果发现算法（如 PC 算法、基于分数的结构学习）从数据中推断因果图。它们通过条件独立性检验一步步删除不成立的边，再用方向规则确定边的指向。反事实推理则用结构方程模型（SCM）回答“如果改变某变量会怎样”的问题。注意力干预是在解码阶段把注意力权重的一部分导向因果证据，让生成过程优先“看”因果链。

反事实是因果推理的独特一档。“事已至此”的观测数据是 X=x, Y=y，反事实问的是：如果当时 X 被设为另一个值 x'，结果会怎样？它的形式化表达是：

三样本领在算法世界里就是三大支柱：因果发现负责从数据中“找结构”，反事实推理负责“推假设”，注意力干预负责“盯重点”。老陈的办案效率从此翻倍——他不再被每一份物证牵着走，而是先画因果结构，再用反事实做沙盘推演，最后把注意力集中在决定性的那两三份证据上。

性能优化

案件堆成山时，老陈意识到：读完全部三百份材料再破案，黄花菜都凉了。真正的老刑警看卷宗是有选择的——先看因果链上的关键材料，再看支持这些结论的佐证，其余过一眼就丢。这种“有选择的阅读”对应因果RAG 的性能优化。

优化有三个抓手：检索精准度（召回的证据质量）、因果一致性（答案与因果图不矛盾）、上下文裁剪（减少送入大模型的 token 数）。上下文裁剪尤其重要，因为大模型的输入长度有限，而噪音证据不仅浪费 token，还会把生成结果带偏。

裁剪的核心思路是按“单位长度的因果信息量”排序。每份文档的因果信息增益等于因果相关度除以 token 数，优先保留增益高的文档：

老陈的阅读量从三百份降到十份，破案速度反而更快，因为剩下的每一份都打在因果链上。因果RAG 的优化哲学殊途同归：不是看更多的资料，而是让每个 token 都站在因果链上说话。

应用案例

老陈如今被借调到各行各业。在医院，他给医生当诊断参谋；在银行，他帮风控团队识别骗保；在法庭，他必须解释自己每个结论的依据。因果RAG 也从破案工具变成了通用能力——凡是“给出答案还要给出理由”的场合，都有它的舞台。

医疗问答系统把病历知识库编码为因果图，患者问“为什么我总是失眠”，系统检索睡眠相关文档，过滤掉“失眠与玩手机相关”这类伪因果证据，保留“焦虑→皮质醇升高→失眠”的因果链，再生成解释性回答。金融风控用因果RAG 分析投诉工单与交易流水，区分“真正的欺诈信号”与“碰巧伴随的假信号”。

这些场景共享同一套决策逻辑：从候选答案中选出在因果证据支持下综合概率最高的答案：

老陈的破案方法最终凝结成一套可以复用的系统：用因果推理画结构，用检索增强找证据，用知识嵌入编链，用算法做推演，用裁剪保效率。不同行业的用户按下按钮，得到的不仅是一个答案，更是一张可以追溯的因果地图。

AI 应用场景

Python 演示

"""迷你因果RAG演示: 检索 + 因果过滤 + 融合生成"""import re  class CausalRAG:    def __init__(self, docs):        self.docs = docs        self.markers = ["导致", "引发", "因为", "所以", "源于", "造成"]     def _tokens(self, text):        return set(re.findall(r"[\u4e00-\u9fa5]+", text))     def retrieve(self, query, topk=3):        """朴素检索: 按词重叠度召回候选文档"""        q = self._tokens(query)        scored = []        for i, doc in enumerate(self.docs):            sim = len(q & self._tokens(doc)) / max(len(q), 1)            scored.append((sim, i))        scored.sort(reverse=True)        return [i for _, i in scored[:topk]]     def causal_score(self, doc):        """因果相关度: 文档中因果线索词的数量"""        return sum(1 for m in self.markers if m in doc)     def causal_filter(self, indexes, query, threshold=1):        """因果过滤器: 淘汰仅语义相关但缺少因果链的文档"""        q = self._tokens(query)        kept = []        for i in indexes:            doc = self.docs[i]            overlap = len(q & self._tokens(doc)) / max(len(self._tokens(doc)), 1)            if self.causal_score(doc) >= threshold and overlap > 0:                kept.append(i)        return kept     def generate(self, indexes):        """融合生成: 按因果证据拼接可解释答案"""        if not indexes:            return "未找到具备因果证据的支持答案"        parts = [self.docs[i].replace("因为", "原因:") for i in indexes]        return "查到 {0} 条因果证据: {1}".format(len(parts), " | ".join(parts))  def main():    docs = [        "吸烟导致肺癌, 因为焦油引发细胞突变",        "肺癌发病率的上升与老龄人口比例强相关",        "空气污染与肺癌发病率存在显著统计学相关",        "熬夜造成免疫紊乱, 进而引发细胞修复能力下降",        "定期体检有助于早发现, 所以能降低肺癌死亡率",    ]    rag = CausalRAG(docs)    query = "什么导致肺癌"    hit = rag.retrieve(query, topk=3)    print("朴素检索命中:", [docs[i][:12] for i in hit])    kept = rag.causal_filter(hit, query)    print("因果过滤保留:", [docs[i][:12] for i in kept])    print("生成回答:", rag.generate(kept))  if __name__ == "__main__":    main()

1. sim = len(q & self._tokens(doc)) / max(len(q), 1)用查询与文档的词集合重叠比例模拟向量相似度，重叠越多得分越高。
2. scored.sort(reverse=True)按得分降序排列候选文档，只取前 topk 篇，对应 RAG 的召回阶段。
3. return [i for _, i in scored[:topk]]列表推导式取出排序靠前的文档索引，供后续因果过滤使用。
4. return sum(1 for m in self.markers if m in doc)统计文档中出现的因果线索词数量，作为因果相关度打分。
5. if self.causal_score(doc) >= threshold and overlap > 0因果过滤器的核心判断：只有“因果线索词足够多”且“与问题有词重叠”的文档才被保留。
6. parts = [self.docs[i].replace("因为", "原因:") for i in indexes]把保留证据中的“因为”改写成“原因：”，让生成答案更接近可解释的因果叙事。

常见误区

面试题