為什麼我們的AI代理需要因果圖，而不僅僅是RAG資料庫

從平面記憶到世界模型：ARIA為何需要理解而非僅僅記住

在AI代理的發展中，一個關鍵的轉變往往源於一次具體的失敗。對於ARIA而言，這個時刻發生在嘗試規劃一個多步驟操作時。Phase 01賦予了ARIA持久記憶庫，它能記住作業系統是Windows、資料庫是SQLite、存在自定義模型提供者等事實。然而，當需要修復自定義提供者配置時，問題浮現了。

斷裂時刻

改變config.py會引發連鎖反應：.env檔案中的預設Gemini設定與新提供者衝突，資料庫中儲存的連線引數會變得過時，而連線測試失敗的原因其實在於環境變數，而非提供者程式碼本身。ARIA的記憶中存有三條事實：“使用者有自定義提供者”、“.env檔案有預設Gemini設定”、“連線測試失敗”。但在平面記憶列表中，這三者毫無關聯。ARIA知道齒輪是什麼，卻不懂轉動一個齒輪會如何影響另一個。

列表只是資料庫

平面事實列表本質上是資料庫，而世界模型意味著理解。當你說“草是溼的”，資料庫只知道這個事實，但若理解原因（下雨或灑水器），就能進行反事實推理（如果沒下雨，草地會是乾的）、預測（走在草地上鞋會沾泥）和規劃（應該走鋪好的路）。純檢索無法回答“給定這個事實，接下來會發生什麼？”或“想要這個結果，應執行什麼行動？”。這正是ARIA被困住的邊界。

因果圖的實際作用

Phase 02引入了基於NetworkX的因果實體圖，並在SQLite中映象。每個事實成為節點，每對關係成為型別化邊。邊的型別至關重要：“原因”不同於“需要”也不同於“矛盾”。當ARIA學習到更改環境變數會導致資料庫連線引數過時，這是“原因”邊；自定義提供者需要先更新.env檔案，這是“需要”邊；預設Gemini設定與自定義設定矛盾，這是“矛盾”邊。

這個圖不僅是更豐富的儲存格式，而是一種可遍歷的物件。你可以問：“如果我改變這個節點，哪些其他節點會受影響？”沿著“原因”邊向前追蹤預測後果，沿著“需要”邊向後識別前提條件，檢測“矛盾”邊發現不一致。在config.py案例中，因果圖讓ARIA不只是知道.env檔案存在，而是明白自定義提供者需要更新.env、環境變數會導致資料庫引數變化、現有預設配置與新配置衝突。在修改任何程式碼之前，它就能追蹤完整的後果鏈。

矛盾檢測器

因果圖的一個有趣後果是矛盾變得可見。在平面記憶列表中，“自定義提供者已配置”和“預設Gemini設定活躍”同時存在卻無任何衝突提示。而在因果圖中，當新觀察與現有節點矛盾時，矛盾檢測器會標記它們。兩個事實都被保留——並非因為兩者都正確，而是因為矛盾本身提供資訊。“這兩者不能都對——哪個正確？”這個問題系統現在可以提出。答案來自上下文、新證據以及哪個因果鏈與後續觀察更一致。

這改變了ARIA處理不確定性的方式。平面記憶會靜默地用新資訊覆蓋舊資訊，而圖則顯式地保持張力並等待解決。這更接近細心推理的實際過程。

仍存在的侷限

世界模型並非Judea Pearl所描述的嚴格因果引擎。圖中的邊是語言模型聲稱的，非驗證的因果關係。模型可能誤識因果連結，也可能遺漏明顯的。實體解析依然脆弱：當ARIA在不同對話中遇到“config.py”和“配置檔案”時，這兩者應為同一節點。精確字串匹配失敗過多，模糊匹配又引入錯誤合併。我們使用詞重疊相似度，這是一種折中方案。

為何仍重要

儘管存在這些侷限，因果圖代表了與平面記憶列表質的區別。一個能在行動前追蹤依賴鏈的代理，與一個檢索孤立事實並生成響應的代理是不同工具。在簡單對話中差異不明顯，但在行動有後果、系統需要推理而非檢索的關鍵時刻，差異顯現。那是大多數AI助手暴露出只是快速模式匹配器的時刻，也是擁有世界模型的代理開始與眾不同的時刻。

我們仍在向那目標邁進。圖是真實的，邊是真實的，矛盾檢測是真實的。但世界模型當前能力與真正因果推理之間的差距仍然很大。方向正確，距離誠實。我們正在打造手錶，而不僅僅是移動齒輪。