因果推理行动模型：不依赖模仿学习，纯粹基于因果干预的智能体规划方法

本文介绍Large Reasoning Action Model（LRAM）创新概念验证项目，提出基于因果推理的智能体架构。该架构摒弃模仿学习，通过LLM提议行动方案、因果智能体在世界模型中进行do-干预验证、记忆系统存储Q值，实现纯CPU环境下跨领域快速可靠规划，核心是基于因果理解而非历史模式复制的决策范式。

当前多数LLM智能体依赖模仿学习，复现已见行为模式，但难以应对新颖场景且易继承数据偏差。LRAM项目转向纯粹因果推理机制，认为真正的智能决策应基于行动后果的因果理解，而非简单复制历史模式。

LRAM架构融合三个关键组件形成决策闭环：

1. LLM作为提议者：通用大模型生成候选行动方案；
2. 因果智能体作为验证者：将LLM建议送入世界模型进行do-干预验证；
3. 记忆系统作为价值存储：验证结果编码为Q值存储，构建行动与结果的因果关联图谱。

Do-干预是LRAM区别于传统方法的核心：LLM提出行动后，智能体在内部世界模型中构建假设场景（执行该行动的后果），通过多次实验评估期望回报，选择有效行动。该机制可验证行动序列的因果效应，捕捉纯统计方法难以发现的因果结构，且无需真实环境交互，安全高效。

记忆系统存储经因果验证的Q值（状态S下执行行动A的期望回报），具有三大优点：

• 可解释性：Q值对应明确的因果验证历史；
• 可更新性：世界模型更新时可针对性重验证相关记忆；
• 可迁移性：抽象因果结构跨领域复用，加速新领域学习。

LRAM在纯CPU环境下于四个不同领域实现快速可靠规划收敛。其跨领域泛化能力源于因果机制的领域无关性，只需更换世界模型的领域定义，因果验证引擎可复用；而模仿学习需为每个领域收集专门数据并重新训练。

与现有方法对比：

• 传统强化学习：样本效率低，需大量环境交互；LRAM通过LLM先验与因果验证减少真实交互；
• 模仿学习：依赖专家数据，受限于覆盖范围；LRAM自主发现策略；
• 基于LLM的智能体（如ReAct）：缺乏系统验证，易受幻觉影响；LRAM通过因果验证层确保决策基于真实因果。

LRAM的方法论启示：

• 因果理解是AI可靠性基础；
• LLM与因果推理协同突破局限；
• 因果元学习是通用智能关键。未来可期待更复杂的因果推理能力、高效验证算法及实际场景落地。