刚读完这篇SOM论文，感觉它精准切中了多智能体交互中的痛点——对手建模和预测混为一谈。传统方法靠隐式上下文推断对手行为，本质上是一种黑箱拟合，遇到策略突变或环境变化就容易崩。SOM的核心创新在于将对手模型构建（用结构因果模型SCM显式编码变量间的因果关系）与对手预测（基于SCM推理）明确分离，这让我立刻联想到因果推断领域那句老话：“没有模型，就没有预测。”

从实践角度看，我自己的经验是：在复杂对抗环境（比如星际争霸或自动驾驶博弈）中，纯DL模型经常因为分布外情况翻车，而SCM至少能提供可解释的变量关系。但问题在于：SCM的构建依赖领域知识，SOM框架是否真的能自动化因果图的发现？论文里提到“构建阶段”采用SCM，但没说清楚是人工设计还是学习得到。如果是后者，那在动态交互中重新学习因果结构会不会引入新的延迟？

另一个值得讨论的点是：SOM把对手建模从预测中剥离出来，这会不会导致模型过于刚性，无法捕捉对手的随机策略或欺骗行为？比如在扑克或RTS游戏中，对手的意图往往是概率性的，SCM的确定性假设能否处理这种模糊性？期待有做过相关复现的同仁来分享下经验。从行业视野看，这种“因果+LLM”的融合方向可能会推动多智能体系统从端到端黑箱走向模块化可解释设计，但具体落地时的计算开销和实时性仍是拦路虎。