CausalAgent：一种用于端到端因果推断的对话式多智能体系统

因果推断在医疗、经济和社会科学等领域具有重要价值。然而，传统因果分析工作流存在显著技术障碍，要求研究人员同时具备统计学和计算机科学背景，并手动选择算法、处理数据质量问题及解释复杂结果。为解决这些问题，本文提出CausalAgent，一个用于端到端因果推断的对话式多智能体系统。该系统创新性地整合了多智能体系统（MAS）、检索增强生成（RAG）和模型上下文协议（MCP），通过自然语言交互实现从数据清洗、因果结构学习到偏差校正和报告生成的自动化。用户只需上传数据集并以自然语言提问，即可获得严谨且交互式的分析报告。作为新型以用户为中心的人机协作范式，CausalAgent显式建模分析流程，并通过交互式可视化显著降低因果分析的入门门槛，同时确保过程的严谨性和可解释性。