我们开始写《因果关系导论》（Causality Primer），并不是因为世界还缺一本把 DAG、Potential Outcomes、SCM 和估计方法重新排列一遍的教材。这些框架已经构成现代因果推理最重要的知识遗产。
真正让我们不安的是：当一个人或 Agent 面对现实问题时，它是否知道自己为什么要建立因果模型？这个模型必须保留什么？它凭什么支持一次判断或行动？如果行动失败，它又能否发现自己究竟错在问题、对象、证据、假设，还是模型？
这本书想讲的因果智能，正是从这种不安开始。
因果问题先于数据和框架
人在看到数据表以前就已经会问：为什么会这样？如果采取另一种行动，会发生什么？为什么同一种治疗只对某些人有效？究竟是谁或哪个机制造成了这次失败？
这些问题先于数据，也先于 DGP 和现代因果建模。数据不会自动告诉我们该比较哪些世界、哪个对象需要保持同一、哪种差异算作原因。Potential Outcomes、DAG、SCM、实验、准实验、识别与估计，是人类为了让这些问题变得明确、可计算、可争论而发展出的不同回答。
因此，本书第二章不会把“选择一个熟悉的框架”当作建模的起点。它更先追问：面对一个因果问题，我们究竟要建模什么、保留什么、比较什么，又依赖什么证据和假设？只有先理解这些责任，才看得见现有框架各自抓住了什么，又省略了什么。
这本书真正的主角，是一轮因果认知
《因果关系导论》当前由七章组成，但它们不是七个彼此隔离的知识抽屉。更像一段旋律在不同声部和尺度上的反复出现：每一章侧重不同，底下运行的却是同一轮因果认知。
why / what if / who caused this
-> 定位具体 token / unit 与目标问题
-> 建模 DGP、证据、假设与可能世界
-> 推理、比较、行动与验证
-> 暴露失败、反思并更新
-> 回到一个更好的 why七章只是这条路径在不同分辨率下的七次展开：
| 章 | 侧重的问题 |
|---|---|
| 什么是因果关系 | 人与 Agent 为什么天然会提出 why、what if、责任与行动问题？ |
| 因果推理的建模：框架、实践与反思 | 现有领域如何把因果问题变成模型、证据和实践，又留下了哪些局限？ |
| Token Causation：以 Unit 为 Primitive 的因果建模 | 为什么具体的 token / individual / unit 应成为形式化的起点？ |
| DGP 建模：因果推理与机器学习 | 怎样把生成过程和 unit-specific mechanism 变成可学习对象？ |
| 因果推理的应用 | 统一视角进入真实子领域以后，会承受哪些新的问题压力？ |
| 因果关系与大模型 | causality 如何帮助大模型，大模型又如何帮助因果建模？ |
| Causal Mind：Agent 如何获得因果智能 | 人、AI、组织和更广义 Agent，怎样持续追问、行动、验证并更新？ |
这种安排只做整体逻辑上的解耦，并不建立概念围墙。DGP 可以从第一章开始出现，Unit 视角会穿过机器学习、应用与大模型，Causal Mind 也不是到了第七章才突然降临。分形与自相似在这里是一种认知和写作启发式：同一个因果循环在具体事件、个体、模型、Agent 和组织中，以不同分辨率重新发生。
为什么要把 token / unit 放回中心
很多因果问题最终都落在一个具体存在上：为什么这件事发生在这个人、这次任务或这个组织身上？如果采取另一种行动，它会怎样响应？
我们用 token 强调一个具体 occurrence，用 unit / individual 强调跨条件比较时需要保留的身份锚点。这里的 token 不只是大模型中的词元。它首先意味着：不要让抽象 type、群体平均或一张数据表，过早替代真正承受行动与结果的具体对象。
群体规律当然重要，但它往往是不同 unit 的响应经过混合、选择和压缩以后形成的 projection。若不先说明“谁的响应”，一个平均效应可能回答了一个数学上良好、现实中却没有人真正提出的问题。
这也是本书第三章最独特的判断：把 unit 以及 unit-selection variable 提升为 DGP 建模的 primitive，不再只把个体机制看成某个总体模型的隐含切片。这个方向先于任何具体模型名字，也比我们目前已经写出的形式化更大。
DGP 是工作台，不是因果关系的定义
当自然的因果问题需要接受证据约束时，我们才进入 DGP：结果怎样生成，数据怎样被测量和选择，哪些机制稳定，哪些变量受到行动，哪些可能世界能够被连接。
DGP 因而是本书非常重要的工作台，却不是因果关系本身的定义。它让一个自然问题成为可以建模、检验和学习的对象，也让机器学习出现一个不同于普通预测的入口：能否把 unit-specific mechanism 作为 primary learning object，学习“对这个对象，在这个 context 下，结果如何产生”？
完整机制可以投影出预测分布；反过来，一个拟合良好的条件分布通常不能唯一恢复机制。更重要的是，outcome generation 也不会自动获得 intervention 或 counterfactual semantics。要进入因果问题，我们仍需明确行动、support、stability、evidence 和跨世界连接等额外承诺。
一个真正开放的框架，必须允许自己的假设失败
把 unit 作为 primitive，是比 DiscoSCM 更上位的建模判断。DiscoSCM 是这一方向下值得认真发展的具体 causal model family，但它不是整个方向的同义词；Distribution-Consistency 也不是不可移除的地基，而是一种可以接受、检验或拒绝的 world-linking choice。
如果某个场景迫使我们拒绝它，我们应该修正模型，而不是保护名称。拒绝某个 DiscoSCM 假设，并不等于拒绝 unit-primitive framework；反过来，学习了一个 unit-specific outcome mechanism，也不代表我们已经获得完整的反事实语义。
因果建模的力量不在于让所有结果都证明自己正确，而在于把自己的承诺说得足够清楚，以至于现实能够反驳它。
应用不是展示柜，而是压力测试
个体化治疗、因果发现、根因分析、公平、序列决策和 actual causation，不应该在书中变成一排“我们也能做”的工具展示。它们是不同现实问题对同一因果循环施加的压力：unit 到底是谁，DGP 会在哪里错，证据从哪里来，哪些行动可以验证解释，失败以后怎样更新模型？
所以第五章不是把前四章的工具拿去套题，而是让这个框架进入因果推理的各个具体子领域。应用会暴露理论中被平均、被隐藏或尚未命名的部分，也会迫使形式化重新生长。
因果关系与大模型，是一条双向道路
一边是 causality for LLM：怎样让大模型区分相关叙事、机制解释与可行动判断，支持干预、反事实、机制审计和失败诊断？
另一边是 LLM for causality：怎样让大模型从语言、日志、文档和交互历史中，帮助人形成变量、unit、候选机制、竞争解释与实验？
这两条路必须分别验证。因果结构改善了某个模型，并不能自动证明模型学会了开放世界的因果推理；大模型能流畅地生成一个 why，也不等于它已经获得因果智能。CausalQwen 可以是一个架构案例，却不应该成为整章乃至整条探索的身份。
从解决一道因果题，到形成 Causal Mind
Causal Mind 不是会说“因为”，也不是记住一套术语。它意味着一个 Agent 能够持续提出问题、维护竞争解释、寻找区分性证据、采取行动、观察结果、解释失败并改变自己的下一步。
这里的 Agent 不只指 AI。一个人、一个研究团队、一个组织，甚至更广义的行动主体，都可能拥有或缺乏这种能力。组织如果只能在结果以后编造故事，却不能保存 question–model–action–evidence–update 的可审计轨迹，它同样只有因果修辞，而没有可靠的因果智能。
因此，第七章不是给前六章加一个宏大的结论，而是把它们变成一种可持续运行的心智能力：从 why 出发，经由建模、证据和行动，再在失败中回到一个更好的 why。
一本讲因果更新的书，也必须允许自己被更新
《因果关系导论》不是完成态宣言，这篇文章也不是冻结的宣传稿。成熟章节记录我们当前能够负责的判断；seeds 保存那些尚未成熟、却可能改变理论、案例、课程、实验乃至全书书脊的问题。
下面这些不是发布日期承诺，也不是任务清单。它们是能在新证据出现时自然 grow 的问题接口：
- 因果智能的最小闭环。 只能生成 plausible why、却不能寻找区分性证据并在失败后更新的 Agent，拥有的是因果修辞。它可以长成 Agent trace、Ch07 练习与 Causal Mind eval。
- Token / Unit as primitive。 在估计平均效应以前，先问“谁的响应”；unit identity 改变，因果问题也会改变。它可以从具体反例进入 Ch03 formalization 与 actual causation。
- 跨世界连接是一种选择。 个体反事实依赖 world-linking commitment；应暴露并允许拒绝它，再讨论答案。它会在 Distribution-Consistency 的拒绝场景与替代假设中生长。
- DGP 与机器学习。 学到 outcome generation 不自动等于获得因果语义；intervention、evidence 与 stability 仍需声明。它需要可复现实验，并向 Ch04 与 Unit Mechanism Learning 回流。
- Causality × LLM。 “因果关系帮助 LLM”与“LLM 帮助因果建模”是两个需要分别验证的问题。它应长成双向实验、失败案例与第六章的可负责判断。
- 组织的 Causal Mind。 自相似不能只是一种比喻；组织必须留下可审计的因果学习轨迹。它可以在真实团队案例、闭环协议与跨尺度评测中被检验。
- 书本身的学习。 读者困惑、反例或失败练习，只有真正改变下一版叙述，才成为书的学习。它的 promotion route 是：博客反馈 → 问题库 / 课程 → 章节反馈 → 主书。
我们暂时不为这些 seed 建造一套庞大的 CMS、字段体系或 agent sidecar。先让它们贴近真正的论证和读者反馈生长；当多篇文章反复需要同一种机器可读结构时，再把稳定模式提升为基础设施。
这正是这篇 MSP blog 想保留的生长方式：正文现在就应该完整、可读、可批评；未知保持开放，但不能以“以后再说”为借口破坏当下表达。某个 seed 只有得到反例、实验、读者问题或真实应用压力，才进入对应的问题库、课程、章节反馈或实验，再由成熟证据回流主书。
从这里进入这本书
当前中文七章主书与架构对齐页，是这条叙事的 canonical reading surface；DiscoSCM、Unit Mechanism Learning 与 CausalQwen 是仍在生长的模型、学习表述或架构案例，不应被误读为已经完成的统一理论。本文是公开叙事与 grow surface，不替代主书 source。
一本因果关系导论如果真的相信自己的主题，就不应该只给读者一组答案。它应该让我们在每一次建模、行动与失败之后，都有能力回到一个更好的 why。