CausalAgent：面向端到端因果推断的对话式多Agent系统

摘要

因果推断在医疗、经济与社会科学等领域具有巨大价值。然而，传统因果分析工作流设置了可观的技术壁垒：研究者须兼具统计学与计算机科学双重背景，并需手动选择算法、处理数据质量问题并解读复杂结果。为应对这些挑战，我们提出CausalAgent，一个面向端到端因果推断的对话式多Agent系统。该系统创新性地整合了多Agent系统（MAS）、检索增强生成（RAG）与模型上下文协议（MCP），通过自然语言交互实现从数据清洗、因果结构学习到偏差校正与报告生成的自动化。用户只需上传数据集并用自然语言提问，即可获得严谨且可交互的分析报告。作为一种新颖的以用户为中心的人机协作范式，CausalAgent显式地对分析工作流建模。借助交互式可视化，它在确保过程严谨性与可解释性的同时，显著降低了因果分析的入门门槛。

CausalAgent：面向端到端因果推断的对话式多Agent系统 — 图2：CausalAgent 在 Sachs 数据集上的演示。(A) CausalAgent 运行过程。(B) 变量的相关性热图。(C) 生成的因果图。该图分为两个主要部分，用以展示 CausalAgent 系统。左侧部分为主用户界面，左侧边栏有聊天窗口，底部有文件列表。在主内容区域中，可见用户提示“Please conduct a causal analysis on the file `sachs\_dataset.csv'”，随后是生成的“Causal Analysis Report”，其中包含 Executive Summary 和 Data Overview。右侧部分标注为“process”，将分析分解为垂直排列的三个可视化步骤，分别标注为 A、B 和 C。面板 A 显示带有绿色对勾的进度日志，表示诸如“Load file and validate data”和“Data preprocessing”等任务已完成。面板 B 显示相关性热图，红蓝相间的网格表示数值变量之间的统计关系。面板 C 呈现最终输出：一个有向无环图（DAG），节点之间以箭头连接，表示学习到的因果结构。