智能体不会交代“为什么”:因果锚用660项编码搭中立底座
过去一年,行业的力气大多花在给 Agent 补记性。办公协同平台陆续把 Agent 作为独立协作主体接进组织,一批创业公司接着做共享记忆、交接单、经验池,逻辑都对:Agent 有手有脑,不能没有记性。 但当一个 Agent 真的接手一件事,组织问的第一句话不是“你记住了吗”,而是“这事为什么没办成”。 这句话,现在没人
过去一年,行业把大部分精力投在了给 Agent 补记性上。办公协同平台一个接一个把 Agent 当成独立的协作主体拉进组织架构,创业公司则跟上做共享记忆、交接单、经验池。思路本身没毛病:Agent 既然有手有脑,就不该缺记性。
可一旦 Agent 真把一件事接过去,组织最先问的并不是“你记住没有”,而是“这件事为什么没办成”。
这个问题,眼下谁都答不了。
一、会干活的智能体,交不出“为什么”
进展得先认。现在的智能体已经能调工具、能跑循环、能跨会话记住上回是怎么做的,人下班之后它还能接着往下推。能力这一侧,全行业的水位是共享的。
短板在另一侧:过程它能复述,判定它开不出来。
卡住的地方具体有四个。
头一处,输出只有文本,没有判定依据。企业要的并不是一个说得漂亮的解释,而是“同一份输入,换个人、换套部署,按同一套规则能重算出同一个结论”。大模型交出来的是语言,不是“状态 + 证据指针 + 可复算路径”。结果就是它写的复盘报告读着通顺,业务不敢做、法务不敢用、审计不敢签。
第二处,把相关当成因果讲,而且越流畅越自信。这是语言模型娘胎里带的毛病:碰到“为什么”,它做的其实是事后叙事——把概率上一起出现的东西编成一个像样的故事。社会事件不一样,判因果有硬门槛:证据至少两条、跨至少两个观测时点、主观状态只有当事人自己观测得到。模型脑子里没有“门槛”这回事,只有“像不像”,越像越危险。
第三处最要命:它不懂“义务”。社会因果的重点不在“发生了什么”,而在“哪个环节该做什么、做到没有、谁认账”。事实模型懂,义务模型不懂。所以它能答“这单流转了六次”,答不了“这单该在第三步办结,可第二步权责没定,后面全是空转”。组织里的争议绝大多数不在事实层,在义务层——偏偏是模型进不去的那一格。
第四处,没有能举证的东西。会话一结束就清空;记忆产品存下来的是摘要和指针,经验能复用,定责用不上。真出了事,Agent 说一句“我以为”,组织拿不出证据,也不敢把责任压到一个讲不清理由的系统上。
四处一叠加,后果很直接:智能体从“回答问题”转向“接手任务”,接了手就得能交代“为什么”。交代不了,就只能停在演示环节。这跟能力无关,是判责的事。判责要的不是更强的模型,是一层能出具“判定 + 证据 + 可复算”的底座。
创始人、产品专家黎龙讲得很直白:智能体到现在还是工具,原因是它没真正进组织;进组织的标志不是能答题,是替人省下时间,而不是让人多花时间去梳理流程里的对错。“工具”和“助手”的区别就在这儿——工具是你问它答,助手是接过一段流程,并对这段流程负责。
要迈过这条线,办法不是再叠一层技术、再堆一批方法、再补几组实验室里的因果数据,得先把一套大家共用的国标底层结构立起来。
缺了这套结构,行业就成了“一千个智能体有一千个哈姆雷特”:同一件事各家各判各的,用户不知道信谁,机构之间也没法互认。割裂不是模型能力造成的,是每家自建一套因果口径造成的。结构统一了,用户才谈得上敢把一段流程交给它。
对组织流程来说更致命:人真正要记住的不是数据,是执行过程中每一个决定。模型能写出一段条理清晰的分析,大家看完都点赞,转头照旧开会对数,没人敢拿这个结果拍板。它回答的是“数据像什么关系”,没回答“该按哪套判断走”。这些判断今天散落在不同地方,外加一句“一直都是这么算的”。N 个 Agent 各自读库表,同一个指标能给出 N 个答案,出了错也没人仲裁。
这类判断不归因果锚管。口径它不判、金额它不折算、真假它也不判。它管的是另一桩事:在任何环境里,这些判断什么时候被用过、依据在哪儿、谁认过。模型可以换,过程带不走;出了问题,要能追到那条规则的具体码位,而不是某段提示词。
因果锚(CausalAnchor)切的就是这一层:不做模型、不建记忆库、不下结论,只干一件事——“主体原生多模态社会因果基座”,把主体的社会多模态行为痕迹按时间序列还原成可校验的国标因果码,做成一套面向任何主体和应用的中立公共基础设施。
二、把“为什么”拆成可校验、可互认的“码”
拆得动的前提,是先承认社会因果有结构:需求是谁的、义务是谁的、断在哪一层、证据攥在谁手里。这几样在任何组织里位置都是固定的,只是过去没人把它们写成同一套字段。编码化不是自己造一套词,而是每条码都挂上标准号、条目号与生效日,再往团体标准、地方标准、行业标准一级一级走。有标准可依,跨机构才可能互认;各造各的词,永远对不上。
项目创始人介绍,撑起这件事的是多学科交叉,单靠一项技术不行。供需与成本归经济科学,主体与义务归社会科学,结构化与复算归数据科学,三条线得在同一套码里同时成立。团队在这些方向做了十余年产品研发与市场化试点,目前已建成 660 项:需求 296 项、行业与主体 162 项、义务 62 项、谓词 59 项、供给去向 53 项、主观状态 15 项、元数据 13 项。每一条都要挂标准号、条目号与生效日,并保留启用、弃用、被替代三种状态。
拆法分五级。L1 是主体,看这件事是谁的需求;L2 是需求与义务的二元判定,十个并列维度分别记录,结果落在六个互斥状态里;L3 按策略、方法、行为、工具四层逐层问“这一层成不成立”;L4 落供给与去向;L5 做校验。
到 L2 就得下狠手。判定不成立时,不许写“综合原因”,必须归到其中一条:能力不足、资源短缺、权责未定、外部阻断、证据不足、时点未到,六选一。还得定一个断点——意识缺位、路径缺环、供给缺环、兑现缺环、证据缺环、授权缺环、归属缺环,共七类,按优先级只记一条主断点。
这一条决定整件事有没有用。同样一句“卡了十一天”,落在“供给缺环”要补供给,落在“证据缺环”要补材料,落在“时点未到”则什么都不用做。判错一个,整改动作就全错,钱和时间一起浪费。
这一层的定位被死死钉在核心上:内容不解析,结论不生成,检索型记忆不做,运行时也不替代,核算不做,真假不判,金额不折,授权不越。项目方的说法是,这层一旦开始“顺手给结论”,它就不再是公共层,而变成又一个得选边的产品。所以他们刻意绕开一条路:不去拼大厂的生态,只往因果关系的深度里做,做各方都离不开的中立公共基础设施。理由很实在——不中立就没有互认。记忆可以宽松,因果必须严格,这两条纪律方向相反。
三、不只服务于智能体
产品三件套分工清楚:因果锚算,因络通传只搬编码不搬内容,因仓序存只追加账本。可以整包买,也能单件买;单件部署的字段跟整包一模一样——互认靠的是码库与账本格式,不是把三件凑齐。存的那部分在三位一体里最不像产品,分量却最重:账本只追加。每条记录以“码、主体、观测时点”为复合主键,更正不动历史,而是并列新增一条更正事件。一份账摆到两个部门面前,授权后谁都能查,谁都没法偷偷改。
为什么现在要做:基础模型的能力水位想再往上,得靠质量更高的数据。互联网时代攒下的语料基本用尽,Scaling Law 接近边界,剩下的增量不在仓库里,而在真实场景的因果网络里——谁提了什么需求、谁该履行什么义务、哪一步断了、证据在哪。这部分数据到今天基本没被结构化过。
智能体是最先撞上这堵墙的场景,但不是唯一一个。凡是“必须把流程说清楚”的组织,都需要同一套标准的编码体系。
政务和公共服务属于第二类场景,与这套东西的契合度很高:诉求受理、派单处置、办结归档,三个观测时点本身就长在流程里,正好凑成因果判定所需的结构。项目方给出的对照基线是某街道2025年民生诉求的平均办理时长,21.1小时/件。他们并不打算把这个数字往下压,真正要做的是把“平均时长”掰开,逐条看每个环节堵在哪类断点上。
企业服务的采购与履约算第三类。合同签完、款项付掉,服务究竟交付了多少,眼下全凭验收单和人情来判;一旦拆成需求与义务两部分,每笔业务都能对应到“哪项义务没兑现、证据缺在什么地方”。
第四类是平台与数据运营方。多供应商结算时谁都觉得自己干得多,账本只追加、口径统一,争议就从“各说各话”变成“对着同一行查”。
按项目产品的规划,生态分三种,共用同一套码和同一本账:新建式跟着新系统一起长出来;插入式不碰存量系统,从旁路并上一层;挂载式则由主体自己按需加装。同一件事,在不同机构那里仍然是同一件事。项目方对立体生态有1.0-4.0的规划,其中第五类要开一个插件仓:主体在自己的应用里装上这一层,标准数据由自己持有,拿到的还是同一套码、同一本账;项目方只给码库和账本格式,不运营交易,也不做插件买卖。
项目创始人还提到,数据治理说到底是事后补救的悖论,靠的是标准化、结构化的算法映射;数据不该先汇集再治理,而应从产生那一刻就按结构落码,属于事前约定,所以这条路从一开始就不碰“数据治理”。效果体现在两块成本上:传输只搬编码、不搬内容,同一件事在链上走十次,体积也不会翻十倍;存储按码落账,账本只追加,重复语料不用反复存。规模越大,单位传输与存储成本反而越低。算力侧也是同一个道理,拿到手的是结构化因果数据,不必一遍遍搬运原始文本,同一个数据中心靠扩维度往前走,用不着堆卡堆容量,大规模、深层次、海量维度的扩展和训练要求就是这样实现的。
四、商业模式
技术先进,不代表用户就愿意用。客户并不关心这层东西有多新,只问它替自己解决了什么。商业模式上,能力不分档,按主体数、有效事件量、调用量计费,不按整包报价,锚定在相邻项目总包的一小段比例,即5%–15%区间,避免又做成一家项目型定制商;交付以私有化部署为主,接口向上层应用开放。
从行业位置看,这一层眼下还没有独立的第三方供给,大多被拆进记忆产品、数据中台或项目定制里:记忆产品管的是“发生过什么”,中台管的是“数据在哪”,定制商管的是“这次怎么交”。三者都拿不出可跨机构互认的事实,缺的正是跨领域互认的多模态因果基座。
这套产品的价值不在第一次判定,而在第N次。首次判定只是把一件事讲清楚;同一类断点在多个机构、多个季度里被反复记成同一个码之后,整改才有依据,采购才有比价,政策评估才有分母。任何一条结论,都能顺着证据指针回到原始事件;任何一次更正,都只能新增,不能覆盖。
五、进展与规划
MVP已经完成,眼下是“骨架齐、未开放”的状态。2027年1月启动内测计划50家,按5/15/30分层;三个POC场景已经定义,但还没有对外的试用入口。内部和小规模市场的复算演练已做过多次,结论是“有条件通过”。
知识产权方面,一件发明专利已经授权,即“人的意识行为能力”的数字智能化;全套十二件发明专利做完、等待提交;等保三级和7项核心算法备案已在规划中,拟2027年1月提交首批,同时规划2027年联合项目的落地区域,打造国家重点实验室系列“因果算法映射创新实验与工程研发中心”。
项目方目前已经完成MVP,正在物色种子轮投资方,并已推进与广州市、深圳市部分城市治理场景的接触;同时还在找“CTO VP”“公关VP”。