因果世界模型何时助力模块化 LLM Agent

arXiv:2610.00012v1 公告类型：new 摘要：LLM Agent 越来越多地通过模块化系统执行操作，例如订单、支付、库存和运输服务，其中一个模块中的动作会改变另一个模块中哪些状态转换是有效的。标准世界模型通常拟合观测轨迹，但这并不是干预时规划所需的量：一条轨迹可能显示支付先于发货，却无法识别是支付授权了发货、库存中介了这一效果，还是一个隐藏触发因素同时解释了两者。我们通过 FedCausalCompose 研究这一差距，这是一个面向模块化 LLM Agent 的因果世界模型框架，其中局部动作提供针对跨模块接口的干预-响应证据。我们首先表明，在未阻断的 back-door 路径下，观测世界模型会产生不可约的干预误差；接口恢复能力会随着干预-响应覆盖率的提高而改善；并且当覆盖率和局部机制误差得到控制时，oracle 因果组合可以超越非因果下界。随后，我们在诊断性 Agent 环境中验证由此得出的预测。因果接口在结构化工具环境中帮助最大，因为 API 签名暴露了前置条件和下游效应。相比之下，对话和叙事环境通常会忽略原始边列表，除非有简短的注意力锚点使因果信息在决策上具有相关性。这些结果为 LLM Agent 中的因果世界模型确定了一个具体条件：当跨模块接口在统计上可识别，并且以 Agent 在行动时可以使用的方式呈现时，因果结构才会有所帮助。