Intervention（干预）在人工智能研究中指通过人为改变系统输入、内部状态或执行过程，来分析因果机制、纠正模型行为或提升训练效率的一类方法。它既出现在因果推断语境中（如干预式因果发现），也出现在强化学习与大模型智能体的训练和监控中，是连接“观察”与“控制”的关键概念。
Intervention 的近期研究进展
当前焦点与观察点
Intervention 相关研究目前呈现两个并行方向。一是工程侧的“运行时干预”：随着 LLM 智能体被部署到多轮、长程任务中，如何在执行轨迹偏离时实时监控并介入纠正，成为安全与可靠性的核心议题，OnTrack 与 UOPD 都属于这一脉络。二是训练侧的“干预式优化”：UniIntervene++ 等工作将自适应干预嵌入强化学习流程，用外部介入替代纯自主探索，以降低真实环境中的试错成本。
争议点主要在于干预的边界：过度干预可能使学到的策略依赖外部纠正，削弱智能体的自主泛化能力；而因果发现方向的研究（如干预式因果发现）则面临成本与可扩展性的权衡。后续值得关注的观察点包括：干预信号如何在监控与训练之间统一建模、多智能体场景下的介入时机判断，以及主动式助手从“预测”走向“干预”时的安全评估标准。