论文
CAMO：LLM智能体模拟中从微观行为到宏观涌现的自动因果发现智能体框架
CAMO: An Agentic Framework for Automated Causal Discovery from Micro Behaviors to Macro Emergence in LLM Agent Simulations
摘要
LLM赋能的智能体模拟日益被用于研究社会涌现，然而宏观结果背后的微观到宏观因果机制往往仍不清晰。这极具挑战性，因为涌现产生于相互交织的智能体交互以及中观层面的反馈与非线性，使生成机制难以解耦。为此，我们提出CAMO，一个面向LLM智能体模拟中从微观（Micro）行为到宏观（Macro）涌现（Emergence）的自动化因果（Causal）发现智能体框架。CAMO将机制假设转化为基于模拟记录的可计算因子，并学习一个以涌现目标$Y$为中心的紧凑因果表征。CAMO输出可计算的马尔可夫边界和一个最小上游解释子图，给出可解释的因果链条和可操作的干预杠杆。它还利用模拟器内部的反事实探测来确定模糊边的方向，并在证据与当前观点相矛盾时修正假设。在四个涌现设定上的实验展示了CAMO的前景。
