FedCausalCompose分析因果世界模型对模块化LLM智能体的作用

论文提出 FedCausalCompose，结论是因果世界模型只在跨模块接口可识别且行动时可用时帮助模块化 LLM 智能体。它针对订单、支付、库存和发货这类模块系统，指出观测轨迹只能说明先后，不能说明支付是否授权发货、库存是否中介或隐藏触发同时解释两者。这个区分把世界模型从拟合历史轨迹，转向支持干预时规划。 证据上，论文称观测世界模型在未阻断后门路径下会有不可消除的干预误差，接口恢复随干预-响应覆盖提升，且 oracle 因果组合在覆盖和本地机制误差受控时可超过非因果下界。诊断设置中，结构化工具环境因 API 签名暴露前置条件和下游效果，因果接口帮助最大；对话和叙事环境常忽略原始边列表，除非短注意力锚点使因果信息决策相关。收益来源不是因果图本身，而是可被行动时使用的接口。 事实是材料只报告诊断性智能体设置中的结果，未涉及通用部署指标或真实业务系统。推断是工具型 Agent 应优先把 API 前置条件、下游效果和干预证据做成行动时可用接口，而不是只保存因果图。猜测是若接口不可识别或表示不可用，因果世界模型对规划收益会有限，尤其对话和叙事场景需要额外锚点。