┌─────────────────────────────────────────────────────────────┐
│  应用层：实时干预动作集（提醒/调整/预警/记录）                │
├─────────────────────────────────────────────────────────────┤
│  决策层：因果干预推理引擎（Causal Intervention Reasoner）    │
│  ├─ 反事实推理模块  ├─ 置信度校准模块  ├─ 风控规则融合模块    │
├─────────────────────────────────────────────────────────────┤
│  表征层：跨模态对齐与归因编码器（Cross-Modal Attribution Encoder）│
│  ├─ 文本语义塔  ├─ 声学韵律塔  ├─ 视觉行为塔  ├─ 屏幕内容塔    │
└─────────────────────────────────────────────────────────────┘

# 伪代码：多模态流同步对齐
class MultimodalAligner:
    def __init__(self, sample_rates: Dict[str, int]):
        self.audio_sr = sample_rates['audio']      # 16kHz
        self.video_sr = sample_rates['video']      # 25fps
        self.screen_sr = sample_rates['screen']    # 5fps
        self.text_sr = sample_rates['text']        # 事件驱动
    
    def align(self, streams: Dict[str, Tensor]) -> AlignedBatch:
        # 1. 统一时间基准：以音频采样率为基准重采样
        # 2. 语义锚点注入：ASR分词边界、场景切换、屏幕翻页
        # 3. 生成统一序列长度 T，各模态特征维度 D_m
        return AlignedBatch(
            tokens=text_tokens,           # [T, D_text]
            audio_prosody=audio_feat,     # [T, D_audio]
            visual_behavior=video_feat,   # [T, D_video]
            screen_content=screen_feat,   # [T, D_screen]
            timestamps=unified_ts,        # [T]
            modality_mask=valid_mask      # [T, 4] 缺失模态掩码
        )

输入：四模态 Token 序列 X_m ∈ ℝ^{T×D}
输出：融合特征 F ∈ ℝ^{T×D_f} + 归因图 A ∈ ℝ^{T×T×4×4}

AAFB 核心计算：
1. 模态内自注意力：捕获时序依赖
2. 模态间交叉注意力：计算 Q_m K_n^T → Attention Map M_{m→n}
3. 归因分解：将 M_{m→n} 分解为
   - 语义贡献度：基于梯度的 Integrated Gradients
   - 交互贡献度：基于 Shapley 值的模态联盟博弈
4. 正则约束：稀疏性 + 单调性（确保归因可解释性）

U (未观测混杂因素：参会者隐性立场、会议文化)
↓
X_text, X_audio, X_visual, X_screen (观测多模态特征)
↓
Z (潜在会议状态：共识度、跑题风险、决策成熟度、情绪温度)
↓
Y (干预动作：无动作/提醒/调整议程/升级风控)

Z = f_Z(X_text, X_audio, X_visual, X_screen, U_Z)
Y = f_Y(Z, Rule_Base, U_Y)

class CounterfactualReasoner:
    def __init__(self, scm: StructuralCausalModel):
        self.scm = scm
    
    def attribute(self, 
                  factual_input: AlignedBatch,
                  decision: InterventionAction,
                  target_modality: str,
                  target_span: Tuple[int, int]) -> AttributionReport:
        """
        计算：移除 target_span 内 target_modality 的信息，
        决策 Y 的概率分布变化量 ΔP(Y|do(X_m^span=∅))
        """
        # 1. 事实推理
        p_factual = self.scm.predict(factual_input)
        
        # 2. 反事实干预：模态级 Mask + 语义级置换
        cf_input = self._intervene_modality_span(
            factual_input, target_modality, target_span
        )
        p_counterfactual = self.scm.predict(cf_input)
        
        # 3. 归因量化：因果效应估计
        ate = p_factual[decision] - p_counterfactual[decision]
        
        return AttributionReport(
            modality=target_modality,
            time_span=target_span,
            causal_effect=ate,
            confidence=self._calibrate_confidence(ate),
            natural_language=self._generate_explanation(ate, target_modality)
        )

实验组：M³-Explain 完整可解释干预
对照组：仅黑箱干预动作（无归因展示）
观测指标：
- 干预采纳率（目标 +15%）
- 人工复核推翻率（目标 -30%）
- 会议效能提升（议题完成度、决策达成率）
- 合规审计通过率（目标 100%）

用户反馈/复核推翻 → 归因错误定位 → 构建反事实训练样本 → 
模型微调/提示工程优化 → 离线评估回归 → 灰度发布 → 在线监控

class StreamingShapleyEstimator:
    def __init__(self, model, background_dataset, max_evals=8):
        self.model = model
        self.background = background_dataset  # 预计算背景分布统计量
        self.max_evals = max_evals            # 严格限制推理次数
        self.cache = {}                       # 联盟推理结果缓存
    
    def estimate(self, x_factual: AlignedBatch) -> Dict[str, float]:
        # 1. 预筛选：基于梯度幅值剪枝低贡献模态 (如 screen 无变化)
        active_modalities = self._gradient_screening(x_factual)
        
        # 2. 关键联盟采样：全模态 + 单模态缺失 + 核心双模态组合
        coalitions = self._generate_key_coalitions(active_modalities)
        
        # 3. 批量推理 + 缓存复用
        shapley_values = {}
        for m in active_modalities:
            # 计算边际贡献均值: φ_m = E[v(S∪{m}) - v(S)]
            marginal_contribs = []
            for S in coalitions[m]:  # S 为不含 m 的联盟
                v_S = self._get_or_compute(x_factual, S)
                v_S_m = self._get_or_compute(x_factual, S | {m})
                marginal_contribs.append(v_S_m - v_S)
            shapley_values[m] = np.mean(marginal_contribs)
        
        # 4. 归一化修正：确保 Σφ = v(M) - v(∅) (效率公理)
        return self._normalize(shapley_values, x_factual)

G_t approx G_{t-1} + frac{1}{m} sum_{k=1}^m nabla_{x_t} F(x' + frac{k}{m} Delta x_t) cdot Delta x_t

def learn_meeting_scm(historical_logs: List[MeetingLog]) -> StructuralCausalModel:
    # 1. 特征工程：将多模态序列压缩为会议级/议题级统计量
    #    X = [avg_sentiment, topic_shift_freq, speaker_dominance, 
    #         screen_switch_count, prosody_variance, ...]
    #    Y = [intervention_type, outcome_score]
    
    # 2. 先验知识注入 (硬约束)
    #    - 规则节点 R 无父节点 (外生)
    #    - 情绪温度 E 不直接指向 决策成熟度 D (需经共识度 C 中介)
    prior_mask = build_prior_adjacency(num_nodes=12)
    
    # 3. NOTEARS 优化: min_W L(W) + λ||W||_1 s.t. h(W)=0 (DAG约束)
    #    加入 prior_mask 作为硬约束: W_ij = 0 if prior_mask_ij == 0
    W_learned = notears_linear(X, mask=prior_mask, lambda1=0.05)
    
    # 4. 因果效应识别: 利用 do-calculus 识别可估计的 P(Y|do(X_m))
    #    针对不可识别路径 (如 U 混杂), 敏感性分析给出边界
    return StructuralCausalModel(W_learned, identifiability_report)

Stage 1: 感知编码器集群 (CPU/GPU 混合)
  ├─ ASR 流式解码 (Whisper-large-v3, CTC 前缀束搜索)
  ├─ 声学特征提取 (WavLM-Base+, 20ms 帧级)
  ├─ 视觉行为分析 (YOLO-NAS + MobileViT, 关键帧 5fps)
  └─ 屏幕内容理解 (OCR + LayoutLMv3, 变化触发推理)
        ↓ 共享内存环形缓冲区
Stage 2: 对齐与融合服务 (GPU, 批大小=1 优化)
  ├─ 时间戳对齐器 (零拷贝 Tensor 拼接)
  ├─ AAFB 融合编码器 (TensorRT INT8 量化)
  └─ Inc-IG 归因增量计算器
        ↓ gRPC 流式 RPC
Stage 3: 因果决策引擎 (CPU 密集型, 规则引擎 Drools 融合)
  ├─ SCM 前向推理
  ├─ 反事实干预采样 (并行化)
  └─ 规则匹配 & 动作路由
        ↓ WebSocket 推送
Stage 4: 交互网关 & 审计归档
  ├─ 前端实时渲染 (WebWorker 解压归因图)
  ├─ 结构化日志写入 ClickHouse (分布式追踪 TraceID)
  └─ 合规归档服务 (WORM 存储 + 区块链存证哈希)