构建了一个用于营销决策的反事实模拟器——因果语义在这里失效

我一直在研究一个处于因果推断、模拟和LLMs交叉点的问题，想和遇到过类似困境的人进行合理性检验。问题：大多数营销归因是回顾性的。对观测数据拟合，推断增量。我们想要相反的东西：一个在分配预算前可以查询的模拟器。“如果我们把30%的预算从创作者A转移到创作者B会怎样？”“如果我们晚6小时发布，参与度衰减曲线会是什么样？” 架构（三层，有意分离）SCM——结构因果模型，覆盖创意→创作者→平台→用户。让我们能够干净地进行do()式干预。霍克斯过程——用于事件流方面（点赞、评论和分享在时间上聚类）。自激比泊松更好地捕获病毒式级联。我们将其用作平台动态的时间骨干。LLM驱动的代理——通过通用嵌入总线响应用户创意的用户原型。该总线是模态通用的，因此下游因果和世界模块永远不接触模态特定代码。目前通过兼容OpenAI的网关仅支持文本。图像和视频桩在v0.5中落地。 这与现有工具的关系：我想具体说明，因为“又一个新的因果库”是一个公平的第一反应：DoWhy / EconML / causal-learn 是估计和发现库。给定观测数据，恢复效应或图。Oransim 假设你已经拥有（或将要定义）图，并专注于模拟对其的干预。DoubleML / CausalML 针对表格数据的 ATE 和 CATE 估计。我们面向具有丰富事件流和内容嵌入的决策模拟。Generative Agents (Park et al.) 是灵魂层最接近的精神前辈，但我们将代理插入到 SCM 中，而不是将它们作为整个模拟运行。 我真正不确定的地方（这是我想被剖析的部分）将 SCM 和 LLM 代理结合起来在理论上是混乱的。SCM 需要干净的干预语义；LLM 代理是随机黑箱，其响应取决于提示、上下文和采样温度。我们当前的分解将灵魂输出视为输入到 SCM 的噪声观测层。代理生成类似参与度的信号，SCM 将其作为内生变量消耗。我不确定这是否是正确边界。具体来说：一旦 LLM 调解一个节点，可识别性变得不稳定。对提示的干预与对潜在用户状态的干预不同。即使边际分布看起来相似，在代理生成数据上拟合的霍克斯参数不一定匹配真实世界参数。如果有人考虑过 SCM/LLM 代理接口，我真的很想听听你会做哪些不同的事情。 关于演示数据的坦诚：该开源项目附带一个合成数据集，校准到公开报告的点击率/参与度范围。每个代码路径开箱即用，但其上的预测不是真实预测。它们用于测试管道。实际使用需要通过 DataProvider 接口提供你自己的数据。仓库：https://github.com/OranAi-Ltd/oransim — Apache-2.0, Python。