一个 AI 刚改完支付状态，能否判断订单现在可以发货？历史记录或许显示“付款后通常会发货”，却不能说明付款真正授权了发货，还是库存变化、隐藏审批同时促成了两者。Song 与 Cai 提出的 FedCausalCompose，正是让 Agent 区分观察到的先后关系与主动操作后的真实影响，再据此规划跨模块行动。
这项工作的价值在于划清边界。作者从理论上指出：存在未被挡住的混杂因素——同时影响操作与结果的隐藏原因——时，只靠历史轨迹训练的世界模型会留下无法靠更多同类数据消除的干预误差；而且一次接口判断错误，还会沿后续模块逐步累积。FedCausalCompose 改用各模块提供的“干预—响应”证据来验证跨模块接口，不必共享完整轨迹。
作者的诊断实验显示，因果信息在 API 前置条件和后续影响清楚的结构化工具环境中最有帮助；在对话和叙事环境里，单列因果边往往会被模型忽略，必须加一句与当前目标直接相关的注意提示。换句话说，因果模型值得上，不只因为关系真实存在，还因为它能被可靠识别，并在行动当下以 Agent 用得上的形式呈现。