Project Ariadne：审计 LLM Agent 忠实性的结构因果框架

随着大型语言模型（LLM）Agent 越来越多地被委以高风险的自主决策，其推理过程的透明度已成为关键的安全关切。虽然思维链（CoT）提示使 Agent 能够生成人类可读的推理轨迹，但这些轨迹究竟是模型输出的忠实（faithful）生成驱动因素，还是仅仅事后（post-hoc）的合理化，仍不清楚。我们提出 Project Ariadne，一个利用结构因果模型（SCM）与反事实逻辑来审计 Agent 推理因果完整性的新型 XAI 框架。与依赖表层文本相似度的现有可解释性方法不同，Project Ariadne 对中间推理节点执行硬干预（do-演算）——系统地反转逻辑、否定前提并反转事实主张——以测量最终答案的因果敏感度（φ）。我们对最先进模型的实证评估揭示了一个持续存在的忠实性差距（Faithfulness Gap）。我们定义并检测到一种被称为因果解耦（Causal Decoupling）的普遍失败模式：Agent 在事实与科学领域中表现出高达 0.77 的违反密度（ρ）。在这些情形中，Agent 在内部逻辑相互矛盾的情况下得出相同结论，证明其推理轨迹充当的是“推理剧场”，而决策实际由潜在的参数先验支配。我们的发现表明，当前的 Agent 架构天生容易产生不忠实的解释；我们提出 Ariadne Score 作为让模型声明的逻辑与模型行动保持对齐的新基准。