CausalPilot
通过确定性因果工具与选择性行动权限，开展以证据为门槛的实验。
研究问题
在实验预算与人工注意力均有限的情况下，智能体需要达到怎样的证据标准，才应获准采取行动？CausalPilot 将语言模型提出的建议，与负责诊断、探测、人工升级、部署、暂停、回滚和弃权权限的确定性门控机制分离。
方法
项目结合 FastAPI 状态机、确定性统计工具、显式的模型／因果／数据／环境风险信号，以及 Next.js 控制室。仓库内的基准测试将模拟器隐藏真值与策略隔离，并保存种子、原始决策、区间、测试夹具与配置指纹，以便审计所报告的运行结果。
仓库中的 3D 控制室。托管版本里的数值均明确标注为模拟数据，而非真实业务测量。
证据与边界
当前成果是一个受控模拟的工程基准，不是因果研究结论，也不声称实现了真实业务提升。其中名为“LLM”的基准策略是决策规则代理；规范运行并未调用模型 API。仓库内结果不能证明在匹配覆盖率下具有优势、风险概率经过校准、真实模型具备相应规划质量，或系统能够安全用于企业部署。