来源：市场资讯

（来源：运筹OR帷幄）

目录

  • 0 引言

  • 1 怎么和因果推断结上缘的

  • 2 怎么学，以及这一路的真实感受

  • 3 做因果建模，我最真实的几点体感

  • 4 下一站去哪：大模型时代的转型思考

0 引言

大家端午节快乐！做了或者即将做父亲的，再加一个父亲节快乐

趁着本周多出来的一天假，抓紧更新一篇。上次被一个关注了三年的老粉调侃为"季更博主"，我得知耻而后勇，提升一下更新频率。

今天的主题不是某个具体算法的分享，而是对之前写的因果推断系列文章，做一个体系化的总结。选在这个时间节点，有两个原因：一是业界比较常用的因果推断算法基本都已经覆盖了，算是告一段落；二是大模型时代已经来了，效率提升是肉眼可见的，理解它、并让它为自己所用，是必须早点迈出的一步——这也让我对后续的写作方向有了新的想法。

最近几年在公司一直做定价相关的项目，和因果推断打交道比较多，文章里也会把一些实际的思考加进来，供大家参考。

1 怎么和因果推断结上缘的

我在学校研究的是梯度类算法和智能优化算法，步入社会后从运筹优化算法工程师起步。为了更好地应对业务上各类最优决策的需求，这几年陆续系统学习了运筹学经典算法和机器学习算法原理，也整理到了前两个专栏。

转到定价业务之后，才发现因果推断也是躲不掉的必修课——不懂因果推断，就很难真正说清楚"价格变化对销量的影响到底有多大"。于是下定决心，把这个专栏也做起来。

回头梳理，和因果推断的结缘大致可以分为三个阶段。

第一阶段：评估策略效果。

2023年第一次接触DID（双重差分法），正是用来解决算法策略上线后的效果评估问题。当时面对的问题很典型：实验分组不是严格随机的（按城市或商家类型划定）。DID的核心思路是通过比较"前后差值的差值"，把实验组和对照组之间固有的基线差异抵消掉，从而还原策略的真实因果效应。它帮我解决了一个关键问题——在无法做理想AB实验的条件下，依然能给出相对可信的因果判断。当时的感受是：DID 的假设清晰、逻辑严谨，对数据要求也没有那么苛刻，是真正能在业务里落地的方法。

第二阶段：引入因果推断。

转到新业务后，遇到了 DID 解决不了的问题——不再只是评估"有没有效果"，而是需要直接建模干预变量和结果变量之间的函数关系。这时候才意识到，因果推断对这类场景来说不是"可选项"，而是必须项。初期业务对模型精度的要求不高，只要算法效果能跑赢随机基线，就能支撑拿到业务结果。但即便如此，因果推断的思维框架也是必须有的——不用它，模型的方向从一开始就可能跑偏。

第三阶段：精细化建模。

随着业务深入，对因果推断的要求又往前推了两步。第一步是精度：业务需要持续拿到更好的指标，就会反推算法不断迭代，对模型精度的要求也随之水涨船高——早期跑赢基线就够了，后来连小幅的精度提升都变得有意义。第二步是粒度：光有全局效应不够，还需要挖掘不同场景、不同人群下各自的局部因果效应——同样的干预，对不同人群的影响可能差异很大，只有估计出这种异质性，决策才能真正精细化。到这个阶段，才算是真正把因果推断作为核心能力在用，而不只是一个评估工具。

2 怎么学，以及这一路的真实感受

因果推断对业务决策如此重要，而自己此前的技术栈主要是运筹优化，因果推断几乎是空白。既然躲不掉，那就系统学一遍——这个决定做起来并不难，难的是怎么学。

想体系化地学因果推断，比学运筹学和机器学习要难一些。难在这个方向本身有点割裂：传统方法（PSM、DID、工具变量法等）在学术界有专门的书，但业务里用得越来越少；而在互联网业务中真正常见的方法（DML、因果森林、各类深度因果模型等），又很难在一本书里找全。缺少前人系统化的梳理，学起来就容易东一块西一块——我自己就走了这段弯路，导致学习过程断断续续，又上文不接下文的。

所以按自己的认知，把之前写的几篇文章重新做了一个整理和分类：

第一层：先搞清楚体系。 因果推断和相关性分析的本质区别是什么？因果效应的常用估计指标（ATE、ATT、CATE）各代表什么？潜在结果框架（Potential Outcome Framework）又是如何定义"因果效应"这件事本身的？有了这些认知底座，后面学具体方法才不会迷失方向。

第二层：传统方法打基础。 PSM 和 DID 是最经典的两类，原理相对直观，也是理解后续方法的基础。搞清楚它们各自依赖什么假设、在什么条件下会失效，比死记公式重要得多。

第三层：业务常用方法。 DML、元学习、因果森林、DragonNet、VCNet——能搞懂原理最好；实在不行，至少搞清楚它们之间的区别、各自适合什么场景，以及估计的是整体效应（ATE）还是个体异质性效应（CATE）。到这一层，基本就算是一个还不错的里程碑了。

三年，十篇，说长不长，说短也不短。趁这个机会，说说这一路学下来最真实的几点感受。

第一，这个阶段充其量算是入门，谈不上体系。 对各类方法有了基本认知，知道它们在解决什么问题、各自的假设和局限是什么——但真正的理解，还需要在具体项目里反复锤炼才能沉淀下来。说实话，因为在公司以运筹方向为主，实际分工时更多是做后续的决策部分，亲手做因果效应建模的机会不多。好在还在做定价业务，即便不是自己直接建模，也能从业务角度持续观察和理解各类方法的实际效果。而且现在有了大模型的加持，如果真想自己动手实践，调参、换模型、跑对比实验，应该都不会特别花时间。

第二，大模型对持续学习的助力，实在太强了。 以前遇到理解不了的地方，经常被卡住好久——就算在知乎之类的地方找到了些答案，也不敢确认对不对，自然也不敢写出来。有了大模型就完全不一样：它可以帮你梳理一篇论文的整体框架，不厌其烦地一遍遍解释每个细节，举实例、推导公式、画图辅助理解，甚至帮你找数据、跑代码、做分析。遇到卡壳的地方，不再是孤军奋战。可以说，大模型大大降低了持续学习的门槛——这个专栏能写完，它功不可没。

第三，大模型时代，我写的技术文章还有没有价值？ 这个问题曾经让我很长时间不想更新。总觉得大模型已经能回答一切，自己写的东西好像多余了。后来慢慢想明白：写文章的第一动力，本来就不该是"对别人有没有用"，而是给自己一个系统梳理和总结的机会——把散落在脑子里的东西逼出来，写清楚，才算真正消化了。至于能不能对别人有些参考，是其次的事。当然，大模型给的是标准答案，但它替代不了的，是一个人面对陌生算法时的"咀嚼过程"——我是怎么解构它的、卡在哪里了、又是如何把新概念和已有认知一点点连起来的。这种人类视角的思考路径，对同样在学习路上的人，或许也还有一点参考价值。所以最终还是把这个专栏写完了。

3 做因果建模，我最真实的几点体感

前面聊的是学习那件事，这里说说业务里的实际体感。

我的主战场是定价，为了对标行业先进水平，也会关注营销方向的算法——两个方向的相关度很高，很多方法是通用的。此前也认真思考过两者的区别：定价主要依赖对商品价值的判断，属于端到端定价，涨价和降价都要考虑；营销主要考虑预算在商品间的分配，属于分层定价，更多关注补贴和降价。方向不同，建模的重心自然也不完全一样。但有一点是共同的：两个方向对因果推断都非常重视，会持续投入资源迭代模型，努力提升算法指标。

从公开发表的论文也能看出行业对这个方向的重视程度：

  • 美团骑行— Data-Driven Real-time Coupon Allocation in the Online Platform (arxiv)

  • 美团外卖 — Decision Focused Causal Learning for Direct Counterfactual Marketing Optimization (arxiv)

  • 美团到餐 — Optimizing Marketing Subsidies via Counterfactual Learning with Asymmetric Reward Function (SIGIR 2026)

和专栏里讲的算法原理对照着读，会更有感觉。

另外，我们团队也有一篇已经录用的会议论文，讨论的是考虑替代效应的因果效应建模，目前还没有对外链接。有需要的朋友可以留言，等链接出来了，我第一时间发出来。

模型迭代固然重要，但提升效果最有效的手段，往往是使用随机数据。

实际做因果建模，遇到的最大瓶颈往往不是算法本身，而是数据——观测数据天然带有选择偏差，用它建出来的模型，置信度是有上限的，再怎么换模型也很难突破。想真正把这个上限往上推，最有效的办法是使用随机实验数据。在业界，这是可以实现的，但需要提前对齐一些事项：随机方案设计、预算消耗估算、线上流量占比、在线周期等。流程不轻松，但一旦有了真正随机的数据，模型质量的提升往往是质变级别的。

4 下一站去哪：大模型时代的转型思考

开头说写这篇文章有两个原因，第二个是大模型时代来了，对后续方向有了新的想法。现在来兑现一下——这个想法具体是什么。

这不只是"下一个技术方向"的问题，更像是一次对自己和公众号的整体思考：大模型时代，我和我的公众号该怎么走？

① 深度拥抱大模型

大模型已经不是一个"值得关注的趋势"，而是一个正在重塑一切的现实。我打算认真学、深入学，把大模型的技术逻辑搞清楚——相关文章也会持续在公众号里沉淀。

作为算法工程师来学大模型，有明显的优势，也有需要主动克服的地方。优势在于：有扎实的数学和模型基础，理解 Transformer、注意力机制、损失函数这些不太费力；熟悉训练、推理、评估的整个链路，能看懂底层在做什么，不只停留在"会用"的层面；有工程实战经验，清楚一个模型从原理到真正落地之间的鸿沟有多大。

但挑战也是真实的。传统算法的思维习惯是"自己建模、精确控制"，而大模型更多是"调用+提示工程"，思维方式需要切换；习惯了追求可解释性，大模型的黑箱特性和概率式输出，需要重新建立一套判断标准；还有就是大模型的工程生态（RAG、Agent、Fine-tuning 框架等）迭代极快，跟进的节奏比传统算法方向快很多，需要保持持续学习的状态。

② 智能决策 × 大模型，具体能怎么赋能

我一直觉得，运筹优化、机器学习、因果推断，本质上在回答同一个问题：怎么通过算法做出更好的决策。只是切入角度不同——运筹是在已知约束下求最优解，机器学习是从数据里找规律，因果推断是在行动之前估计效果。

结合大模型，这个方向有几个让我比较兴奋的可能性。建模效率：大模型可以辅助特征工程、生成代码、快速跑实验对比，大幅缩短从想法到验证的周期，试错成本低了，迭代速度自然就快了。决策解释性：传统算法的输出往往是一个数字，很难向业务方解释"为什么这么决策"；大模型可以作为翻译层，把模型的输出转化成人能理解的决策依据，让算法真正融入业务决策流程。复杂约束的处理：运筹优化里很多约束是人工定义的，繁琐且容易遗漏；大模型有可能直接从业务描述中提取约束、生成优化方案，降低问题建模的门槛。Agent 决策：大模型 Agent 本质上是一个决策系统，运筹、机器学习、因果推断的知识积累，在理解和设计 Agent 的行为策略时会有直接帮助——这几个方向其实是打通的。

说实话，能持续研究"如何通过算法做出更好的决策"这件事，是真正给我带来价值感的事——不只是因为业务需要，更是因为自己真的觉得这件事有意思、有深度、做下去有成就感。所以这条主线不会变，任何有助于把决策做得更好的方法，包括大模型，我都乐意去学、去实践。公众号里还会出现更多相关的文章。

最后的最后，依然期待大家都能持之以恒地做一件件小事，积少成多，厚积薄发。