Causal-Audit：基于目标感知因果链构建的显式可审计图推理

因果与干预类问答是推动大语言模型（LLM）超越表面相关、理解底层因果机制的基础。然而现有基于LLM的方法往往依赖隐式的语言层推理，导致因果假设不透明、推理路径不可验证，在复杂干预下预测脆弱，在无上下文场景中尤为明显。本文提出一个面向无上下文干预问答的显式、可审计因果推理框架。该方法把因果推断表述为在显式因果图上的结构化推理，通过四个模块化阶段完成，而非隐式的端到端预测。一个关键创新是目标感知的因果图构建策略：把目标变量作为图扩展过程中的核心约束，有效抑制无关变量、虚假因果关系与推理噪声。我们进一步引入路径级因果证据聚合机制，在组合多条因果路径的同时建模相互增强与相互抵消的效应，使决策超越单链推理。在三个基准上的大量实验表明，该框架持续优于现有LLM方法，同时提供可解释、可审计的因果推理轨迹。