本研究探讨大型语言模型（LLMs）在提取结构化因果知识中的应用，发现其生成的贝叶斯网络在预测性能上优于传统方法，但仍需解决上下文限制等问题。

该研究提出四条规则，整合因果领域知识，揭示城市衰败分析中认知图的偏差，为未来研究提供重要见解。

本研究探讨了智能体在开放世界中学习因果知识的挑战，提出了ADAM模型，通过增强互动和感知能力，提高了可解释性和性能，推动了因果方法与智能体的结合。

本研究提出了ADAM，旨在解决开放世界环境中智能体持续学习因果知识的挑战，增强互动性和因果模型构建，展示了在无先验知识情况下的优异性能。