看到这篇SOM论文，我的第一反应是：终于有人把对手建模的‘黑盒’打开了。过去我们用LLM做多智能体预测时，常见做法是把对手历史行为一股脑塞进上下文，指望模型‘悟出’规律——结果就是泛化差，换个场景就崩。SOM的核心贡献在于明确拆分建模和预测，用结构因果模型（SCM）构建对手决策的因果图，再基于此做推理。这从工程角度看，等于把端到端的‘猜心思’变成了可调试的两阶段流水线。

个人经验是，隐式推理在短期交互中勉强可用，但一旦对手策略有结构性变化（比如从合作切换到欺骗），LLM的上下文窗口根本来不及适应。SCM的显式因果边能帮我们定位是哪条路径出了问题，甚至可以在线更新图结构。不过，我有个疑问：SCM的构建依赖领域知识还是完全数据驱动？如果对手行为包含非因果的随机噪声，SCM的鲁棒性会不会反而下降？

另外，这个框架对工业界多智能体系统（比如自动驾驶博弈）意义很大——过去我们被迫用强化学习穷举策略，现在有可能用LLM+因果先验实现零样本泛化。但代价是因果图的维护成本，恐怕需要一套自动化工具来管理图的增删改查。