结构化思考：外化 CPDAG 改善因果推断

Corr2Cause 询问因果关系是否在每个与观察到的相关性和条件独立性兼容的 DAG 中都成立。我们将其框架为潜在对象推理：标签由 CPDAG 查询定义，但自由形式的思想链通常将马尔可夫等价类问题折叠为局部模式匹配。我们提出了结构化思维，这是一个两轮管道，首先将类型化、模式约束的 CPDAG 摘要具体化，然后针对该图状态进行回答。在 Corr2Cause 完整测试中，结构化思维将 Qwen3.5-27B 从 $73.0$ 提高到 $86.4$ $F_1$(Yes)，超过主要配对运行中强大的 PC 指令基线 ($+13.4$ pp; McNemar $p=2.4\times 10^{-6}$; bootstrap $95\%$ CI [$+8.4$, $+18.6$]);在三个全 ID 种子中，平均增益为 $+8.1 \pm 5.3$ pp。PC 支架的两轮非结构化文本控制仅达到 $67.6$ $F_1$，表明详细的 PC 支架加上无模式非结构化文本中间体是不够的。同样的模式也适用于 Qwen3.6-27B、Paraphrase-OOD 和 GPT-5.4-mini。对发出的 CPDAG 进行打乱会损失 $12.0$ pp $F_1$，并且完全拆分审计显示与参考 CPDAG 非常一致（ID 骨架 $F_1$ $0.960$；完全匹配 $75.9\%$）。这些结果支持有界设计原则：外部化定义标签的潜在对象，约束其形式，并测试下游答案是否使用它。