共 2 篇文章
智能体多智能体DataAgent策略复盘因果推断DID
货拉拉 DataAgent 实践：策略复盘的智能化探索
货拉拉技术分享策略复盘的智能化探索：货运供需有明显时空波动，仅看订单量、成交率等指标前后变化无法判断策略是否真有效，需用 DID（双重差分）等因果推断方法复盘。文章把复杂的 DID 因果分析 SOP 转成可执行、可追踪、可复核的多 Agent 工作流（Dynamic Workflows），覆盖方案选型、实践与真实踩坑，包含平行趋势与安慰剂检验、分组与指标拆解的归因分析能力。
2026-10-071000
AI记忆与上下文Agent记忆系统因果推断长期记忆Agent记忆
Agent 缺的不是记忆，是“教训”：causal-memory 的设计与实战
滴滴技术提出 causal-memory：用「决策→结果」因果边替代事实型记忆，直指 Agent 记忆的四大结构性缺陷——上下文压缩吃掉「当初为什么」、换个会话重复踩坑、经验困在单机单进程、记忆自身劣化且无人察觉。系统包含七类边类型、类海马体引擎、Pearl 因果三层工具链、四路归账、五道 refuter 治理与矛盾主动检索；实测 trap-world 基准重复踩坑率从 67% 降到 33%，压缩 5 轮后因果信息存活 100%。
2026-10-201000