2026年7月9日 · CausalDS
CausalDS：数据科学 Agent 从生成代码走向结构因果推断与拒答
2026 年 7 月 9 日提交的 CausalDS 预印本提出面向数据科学 Agent 的因果评测，覆盖结构因果模型、Pearl 三层因果阶梯与在证据不足时拒绝回答。
EVENT STORY
发展脉络
- 首次出现CausalDS：数据科学 Agent 从生成代码走向结构因果推断与拒答arXiv cs.AI
- 当前判断企业数据 Copilot 若不能识别因果假设和证据边界，可能把相关性包装成策略建议；数据 Agent 的验收需要增加因果层级、假设披露和拒答率。Agent Pulse · 分析
当前数据 Agent 擅长生成查询、图表和相关性分析，但业务决策需要区分观察、干预与反事实。该研究把因果结构和拒答能力纳入评测，使“能产出分析”与“能支持行动决策”之间的差距变得可见。
基准围绕结构因果模型构造关联、干预和反事实问题，并检查模型在不可识别或信息不足时是否能够 abstain。它同时测试推理正确性和模型能否识别信息边界，最终答案格式或代码可运行性只覆盖部分能力。
企业数据 Copilot 若不能识别因果假设和证据边界，可能把相关性包装成策略建议；数据 Agent 的验收需要增加因果层级、假设披露和拒答率。
将数据 Agent 用于定价、增长或运营决策前，应要求它明确因果图、识别假设和不可回答条件，并由领域专家审核干预建议，而非只验收 SQL 与图表。
该研究仍是预印本和受控基准。需验证在脏数据、隐藏混杂、时间序列和真实组织指标中是否成立，并比较工具增强 Agent 与纯模型的差异。