本文探讨机制可解释性，强调电路分析需基于因果证据而非标签。通过induction head和IOI电路案例，说明激活修补可提供因果证据但可能产生幻觉。叠加现象使单神经元解释不可靠，稀疏自编码器可扩展但特征不完整。该方法对AI安全有工具价值，但尚不能完整解释模型。