核心用法
Causal Inference Skill 为 Agent 行为添加了一层轻量级因果推理能力。它不依赖简单的模式匹配，而是通过建模干预（interventions）和反事实（counterfactuals）来预测行动结果。核心工作流程包括：在行动前记录预状态、查询因果模型预测结果分布、在不确定性高或风险大时请求用户确认；行动后记录完整事件并设置结果追踪；观察到结果后更新模型参数。
该 Skill 支持从邮件、日历、消息、任务四大领域的历史数据自动回填，快速启动因果模型。用户可通过 backfill_email.py、、backfill_calendar.py、、backfill_messages.py 等脚本解析现有日志，重建过去的行动-结果对，无需从零开始积累数据。
显著优点
科学决策框架：将日常行动（何时发邮件、如何安排会议）转化为可验证的因果推断问题，避免直觉偏差。例如，可量化"早上发邮件 vs 晚上发邮件"对回复率的实际治疗效果。
不确定性量化：不仅给出点估计，还提供置信区间和拒绝机制。当预测不确定性超过 30% 或预期收益低于 10% 时，系统会拒绝执行或升级至人工确认。
可审计的学习闭环：每个预测都留下可证伪的记录（falsifiable audit trail），结果观测后自动更新模型，形成持续改进的反馈循环。
多域统一抽象：邮件、日历、消息、任务等不同领域共享同一套"行动-上下文-结果"数据结构，便于跨域分析和策略迁移。
潜在缺点与局限性
数据依赖性强：因果推断需要足够的样本量才能识别治疗效果。对于低频行动（如季度财务审批），模型可能长期处于高不确定性状态，频繁触发人工确认，降低自动化价值。
简化因果假设：文档中的因果图仅包含 10-30 个可观测变量，且假设结构已知。现实中遗漏变量偏差（unobserved confounding）可能导致错误结论，而 Skill 未提供敏感性分析工具。
外部工具耦合：依赖 gog（Google API CLI）和 wacli（WhatsApp CLI）等第三方工具获取数据，这些工具的可获得性、稳定性和权限模型不在 Skill 控制范围内。
无自动因果发现：用户需手动指定因果图结构（如 send_time → reply_prob），Skill 不会从数据中自动学习因果结构，对非技术用户门槛较高。
适合的目标群体
- 数据驱动型专业人士：销售、运营、产品经理等需要优化日常沟通策略的用户
- 研究者与分析师：希望将因果推断方法应用于个人工作流的学术或商业分析师
- 自动化爱好者：愿意投入初期配置成本，换取长期决策质量提升的效率追求者
- 多平台用户：同时使用 Gmail、Google Calendar、WhatsApp/Slack/Discord 的跨平台工作者
不适合：对数据隐私极度敏感、不愿授权邮件/消息访问权限的用户；行动频率极低、无法积累统计样本的场景；需要实时毫秒级决策的高频交易系统。
使用风险
性能风险：历史数据回填涉及大量外部 API 调用和本地文件 I/O，首次运行可能耗时数分钟至数小时，取决于数据规模。action_log.jsonl 无限追加可能导致磁盘空间耗尽，需手动配置日志轮转。
依赖项风险：gog 和 wacli 非 Python 标准库，需单独安装配置。若 Google/WhatsApp 更改 API 或 CLI 工具停止维护，Skill 核心功能将失效。
模型误用风险：用户可能将相关性误解为因果性，或在样本不足时过度信任点估计。Skill 虽提供不确定性量化，但最终决策责任仍在用户。
数据一致性风险：回填的历史数据依赖外部服务的完整性和准确性。若邮件被删除、日历事件被修改，重建的因果图可能出现结构断裂。