因果推断是 LLM 最容易被质疑的战场——漏掉一个协变量，"效应"就是噪声。而且它不像代码 bug 会直接崩，坏估计只会安静地误导业务决策。这周 Netflix 开源的 oci-agent（Netflix-Skunkworks/oci-agent）值得每个做数据科学的团队读一遍：一个 actor 智能体根据人写的分析计划，把参数填进模板 Jupyter notebook 并执行；一个 critic 智能体审查结果、给出三档判定、要求修改；循环直到报告通过。它不是生产级代码，但是目前公开最清晰的"把因果分析苦活自动化、又不交出人类判断"的蓝本。
为什么这个模式值得抄
Netflix 把观测因果推断（OCI）定义为 target trial emulation——用观测数据为你的问题找到最优 A/B 实验。内部案例最能说明问题：估算新娱乐类型对留存的影响时，critic 发现了早期采用者偏差和失败的 placebo 检验，最终把效应估计压到了 naive 线性回归基线的 25%。脚手架本身就是产品。
核心设计：actor-critic 闭环
整条管线是一个循环，每步都有可审计的产物：
plan → actor.draft → spec → nb_runner → results.json → critic.evaluate → oci_report.md
↑ │
└────── actor.revise ◀────────── critique.json ◀──────┘三个组件，都在 oci_agent/ 下：
- Actor（
actor.py）：把 markdown 分析计划转成 spec YAML，后续迭代吸收 critic 的修改建议。 - Runner（
nb_runner.py）：把 spec 参数注入 notebook 的配置 cell，执行 notebook，再追加结果序列化 cell。 - Critic（
critic.py）：对照writing-reportsskill 审查results.json，输出fully_satisfactory/satisfactory_with_caveats/not_satisfactory三档判定和具体修改项。
两个设计决策是精髓。一是模板 notebook：agent 只在固定且经过评审的分析结构内操作，最佳实践是默认值而不是碰运气。二是 skills 就是 markdown：writing-specs、changing-notebooks、running-notebooks、writing-reports、suggesting-remedies 运行时加载，改文本就能改行为，不用动代码。
本地跑一遍
需要 Python 3.10+。注意依赖锁了 numpy<2：econml 传递依赖的 shap 引用了 numpy ≥ 2.0 已删除的 np.bool8。
python3 -m venv .venv && source .venv/bin/activate
pip install -e .
export ANTHROPIC_API_KEY=sk-ant-... # actor/critic 走 Claude Messages API
# 生成一份合成的 ACIC 形状数据集，先跑通冒烟测试
python evals/generate_synthetic_acic.py
# 单步驱动循环
oci-agent draft --plan plans/tryitout.md --specs-dir specs
oci-agent run specs/tryitout/iter_01.yaml --output-dir output/tryitout
oci-agent evaluate output/tryitout --plan plans/tryitout.md
oci-agent revise output/tryitout --specs-dir specs/tryitout
# 或者一条命令跑完整循环
oci-agent loop specs/tryitout/iter_01.yaml --output-dir output/tryitout \
--specs-dir specs/tryitout --plan plans/tryitout.md --iterations 1CLI 会自动递增输出目录（iter_02/、iter_03/…）和 spec 文件名，迭代计数不用自己记。要走代理而不是直连 Anthropic？设 ANTHROPIC_BASE_URL 即可。
闭环真的有用吗？看数据
在 ACIC 2016 基准（77 个数据生成过程）上，覆盖率扎实、偏差很低：
Estimand |Bias| RMSE Cov95
ATE 0.015 0.173 84.8%
ATT 0.017 0.083 96.1%
ATO 0.014 0.066 97.0%ATT 的偏差在官方 ACIC 黑盒基准的 16 个参赛者里排第 5。最有说服力的是对照实验：在 10 个 ACIC 数据集上，完整 actor-critic 循环的 ATT 平均 |error| 只有 0.054，9/10 次覆盖真值；而同一个 Sonnet 4.6 只给计划文本和 5 行数据、不给任何工具时，平均 |error| 高达 2.572——差了约 48 倍，只有 3/10 覆盖真值。critic 的确定性判定与独立 LLM 裁判在 666/693（96%）条记录上一致。
实践建议
- 人留在顶层。你负责提问题和拍板结果，agent 干敏感性分析、迭代追踪、写报告——这些正是最烧分析师时间的事。
- 审产物，不审感觉。每轮迭代留下
spec.yaml、results.json、执行过的 notebook、critique.json、oci_report.md。把它们接进你的评审流程，得到的是过程透明，而不只是输出。 - 别直接上生产。这是 Skunkworks 参考实现：不收 PR、无维护承诺。拿它当架构样板——actor-critic 骨架可以迁移到其他分析领域，因为 skills 只是 markdown。
