用因果图识别混淆变量并阻断虚假路径：先构建DAG识别叉式结构，再通过虚拟干预或分层屏蔽切断中介路径，最后经TaoToken注入混杂因子实现d-separation。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
用因果图锁定混淆变量，阻断虚假路径
在AionClaw中做归因分析时，若直接把「用户点击推荐位→下单」当作因果链，就可能重蹈购物车模块GMV下滑的覆辙。必须先画出变量间的有向无环图（DAG），识别出隐藏的叉式结构。
打开AionClaw控制台 → 进入「分析工作区」→ 点击右上角「+新建因果图」→ 在画布中拖入核心变量节点：例如「推荐曝光」、「用户停留时长」、「历史复购频次」、「当日气温」、「是否新注册」。
用箭头连接变量：若已知「是否新注册」会影响「点击行为」和「下单转化」，就画出「是否新注册→点击行为」和「是否新注册→下单转化」两条边；若「历史复购频次」会削弱「推荐曝光」对转化的影响，则补上「历史复购频次→下单转化」，并标记为调节边。这一步不能靠直觉，必须基于业务日志或AB测试回溯数据验证。
【必须删除所有无依据的双向箭头或循环路径】——AionClaw的因果推理引擎会拒绝执行含环图，且自动报错提示“DAG校验失败”，但不会告诉你哪条边是错的。你得自己对照时间戳判断：比如「下单转化」不可能导致「推荐曝光」，后者发生在前，前者在后。
配置干预实验组，强制切断中介路径
因果图建好后，AionClaw支持用「虚拟干预」模拟反事实。这不是预测，而是主动阻断某条路径后看结果如何变化。
方法一：在因果图编辑页，右键点击「用户停留时长」节点 → 选择「设为固定值」→ 输入中位数（如127秒）→ 点击「运行反事实推演」。系统将冻结该变量，使「推荐曝光→用户停留时长→下单转化」这条链式路径失效，只保留直接效应。
方法二：进入「自动化任务」→ 新建「分层屏蔽任务」→ 选择「按用户分群」→ 设置条件为「历史复购频次 30℃」→ 对该群组关闭推荐模块。这相当于人工制造一个“无推荐”子总体，与全量对照，直接观测混淆变量被控制后的净效应。
注意：方法二必须配合TaoToken统一Key下的审计日志开启，否则无法追踪屏蔽动作是否真实生效。未开启日志时，AionClaw只会返回“任务已调度”，不校验终端执行状态。
用TaoToken通道注入混杂因子控制信号
AionClaw本地推理时，默认只接收原始特征向量，不感知外部混杂因子。要把气温、节假日、竞品活动等第三变量纳入因果模型，必须通过TaoToken的OpenAI兼容接口注入控制信号。
第一步：在TaoToken控制台创建新Token，勾选「启用因果上下文注入」选项；
第二步：修改AionClaw的settings.yaml，将model_provider.base_url指向TaoToken网关地址，同时在extra_headers中加入：X-Causal-Context: {"weather":"32℃","holiday":"国庆假期第3天","competitor_promo":"满299减80"}；
第三步：重启AionClaw服务，触发重载配置。此时所有LLM调用请求都会携带结构化混杂因子，AionClaw的因果层会在推理前自动做d-separation处理，隔离叉式路径干扰。
这一步漏掉，后续所有归因结论都不可信——因为模型看到的仍是裸特征，它不知道32℃和满减活动正在联手扭曲点击与转化的关系。
