核心观点 - 针对长周期多步骤协作任务中单智能体任务成功率随步骤长度快速衰减、错误级联导致容错率低等问题，研究团队提出CausalMACE方法，通过将因果推理机制系统性地引入开放世界多智能体系统，为复杂任务协同提供可扩展的工程化解决方案 [1][2][3] 方法框架 - 提出全局因果任务图概念，使AI能够理解"如果-那么"的逻辑关系，确保任务执行符合因果依赖 [5][6] - 框架包含判断、规划、执行三个环节：Judger实时验证动作合法性并反馈成败；Planner将复杂任务拆解为小工单并绘制粗线条流程图，再通过因果推理精修任务图；Worker通过深度优先搜索和动态繁忙率指标实现多智能体实时任务分配 [7][11][12][13][14][15][16] - 因果干预模块引入平均处理效应量化依赖边与游戏规则一致性，自动剔除由大模型先验幻觉导致的错误依赖；负载感知调度基于DFS路径搜索与动态繁忙率指标实现多智能体实时任务再分配 [9][16] 实验效能 - 在VillagerBench三项基准任务（建造、烹饪、密室逃脱）中，CausalMACE相较AgentVerse与VillagerAgent基线任务完成率最高提升12%，效率提升最高达1.5倍 [17] - 具体数据表现：在2智能体配置下，建造任务平均得分56.59%（对比AgentVerse无数据/VillagerAgent 36.45%），烹饪任务完成率65.53%（对比AgentVerse 48.64%/VillagerAgent 58.11%）；在6智能体配置下，平均完成率达到81.09%（对比VillagerAgent 3智能体68.82%） [17] - 效率指标显著提升：建造任务效率达8.94%/min（2智能体），远超VillagerAgent的3.88%/min；密室逃脱任务效率达276.67%/min（3智能体），对比VillagerAgent 227.4%/min [17]