CAMO：一种用于从微行为到宏现象自动发现因果关系的 LLM 代理模拟框架
人工智能
2026-04-21 v2 计算与语言
计算机与社会
摘要
LLM 驱动的代理模拟日益增多地用于研究社会现象，但微观到宏观的因果机制往往难以厘清。这主要是因为现象性质于交织的代理相互作用和中观层面的反馈与非线性，使得生成机制难以分离。为此，我们引入 \textbf{\textsc{CAMO}}，一个从 \textbf{M}icr\textbf{o} 行为到 \textbf{M}acr\textbf{o} Emergence 在 LLM 代理模拟中自动发现因果关系的框架。\textsc{CAMO} 将机械假设转化为基于模拟记录的可计算因素，并学习以目标 为中心的紧凑因果表示。\textsc{CAMO} 输出可计算的马尔可夫边界和最小的上游解释子图，产生可解释的因果链和可操作的干预杠杆。它还使用仿真器内部的反事实探测来定向模糊的边缘并在证据与当前观点矛盾时修正假设。跨四个现象情景的实验表明，\textsc{CAMO} 具有很大的前景。
引用
@article{arxiv.2604.14691,
title = {CAMO: An Agentic Framework for Automated Causal Discovery from Micro Behaviors to Macro Emergence in LLM Agent Simulations},
author = {Xiangning Yu and Yuwei Guo and Yuqi Hou and Xiao Xue and Qun Ma},
journal= {arXiv preprint arXiv:2604.14691},
year = {2026}
}