Project Ariadne：用于审计 LLM 代理忠诚度的结构因果框架

随着大语言模型 (LLM) 代理被赋予高风险的自主决策任务，其推理过程的透明度已成为关键安全议题。虽然链式思考 (CoT) 提示允许代理生成可读的推理轨迹，但这些轨迹是否真正驱动模型输出，抑或仅是事后事后合理化，尚不明确。我们提出 Project Ariadne，一种新型可解释人工智能 (XAI) 框架，利用结构因果模型 (SCM) 和反事实逻辑审计代理推理的因果完整性。不同于依赖表面文本相似性的现有方法，Project Ariadne 对中间推理节点执行硬性干预 ($do$-calculus)——系统性地反转逻辑、否定前提、逆转事实陈述——以衡量其终端答案的因果敏感性 ($\phi$)。我们的实证评估揭示持续存在的“忠诚度鸿沟”。我们定义并检测一种广泛存在的失效模式，称为“因果脱钩”，其中代理在事实与科学领域的违规密度 ($\rho$) 可达 0.77。这些情况下，代理尽管内部逻辑矛盾，仍得出相同结论，证明其推理轨迹仅是“推理戏剧化”，而决策实际由潜在参数先验控制。我们的发现表明当前代理架构本质上易于产生非忠诚解释，我们提出 Ariadne 分数作为一种新基准，用于对齐陈述逻辑与模型实际行动。