ThreadWeaver v3 推出了其因果工作图谱（Causal Work Graph），这是一款跨工具的血缘引擎，它让 AI 驱动的查询不仅能返回一份文档，还能返回一条可证明的证据链，将 Slack 聊天、Jira 工单、GitHub 提交和其他制品（artifacts）联系起来。采用该技术的团队可以用一个可见的子图来回答“为什么要构建这个？”，而不是一段推测性的文字。
背景：数据分散，联系缺失
如今的工程团队生活在由各种平台拼凑而成的环境中。客户投诉存在于工单系统中，随后的讨论存在于聊天应用中，设计决策存在于项目管理看板中，代码存在于代码库中，而发布说明则存在于文档工具中。原始信息就在那里，但它们之间的因果联系却是不可见的。当产品经理询问为什么发布某个功能时，答案隐藏在消息、问题和提交构成的网络中。传统的搜索工具可以检索出包含相似关键词的条目，但它们无法告诉用户究竟是哪个条目触发了下一个。
为什么这很重要：溯源 vs 幻觉
大多数大语言模型 (LLM) 通过匹配语义相似度来回答问题。一个提到 Slack 频道的 Jira 工单可能看起来与之相关，但模型无法证明该聊天记录导致了该工单的产生。其结果就是“幻觉”——一个听起来很有道理但缺乏可验证来源的答案。在受监管的环境中，或者在任何问责制至关重要的场景下，这种差距是代价高昂的。因果工作图谱用一个由具体证据支撑其“边”（edges）的图谱取代了猜测，这些证据包括：时间戳、操作者标识、关系类型和置信度评分。
因果工作图谱的工作原理
- 以事件为中心的建模 – 每个节点代表一个事件（例如，一条 Slack 消息、一个 Jira 问题创建），而不是一个静态文档。
- 显式关系 – 边编码了具体的因果主张（例如，“Slack 讨论为 PM 决策提供了依据”）以及支持性的证据。
- 溯源元数据 – 每条边都存储了源、目标、时间戳、操作者、置信水平以及指向证实该主张的原始制品的指针。
- 不确定性处理 – 如果系统无法定位链接事件，它会返回“未知”，而不是捏造连接。
- 权限感知展示 – 用户只能看到其有权查看其底层制品的边；如果缺少某条 Slack 消息，对应的边也会被隐藏。
- LLM 作为解释器而非存储库 – 语言模型将图谱转化为自然语言解释，而图谱本身保持作为权威的事实来源。
当用户询问“是什么导致了这次发布？”时，引擎会组装出一个可能如下所示的子图：
- 客户投诉 → Slack 讨论（时间戳，用户）
- Slack 讨论 → PM 决策（Jira 工单）
- PM 决策 → GitHub 提交（代码变更）
- GitHub 提交 → 发布（制品）
响应中包含了指向确切 Slack 消息和 Jira 评论的链接，让提问者可以验证每一步。
总结
ThreadWeaver v3 的因果工作图谱将分散的工程制品转化为单一、可审计的因果链。通过要求每一条链接都必须有据可查，它规避了困扰纯 LLM 回答的幻觉问题，并为团队提供了一种具体的方法来追踪每一次发布背后的“为什么”。