一句话定义：电路分析（Circuit Analysis）是AI 词典：机械可解释性">机械可解释性（mechanistic interpretability）中的一种研究方法。它把模型内部的计算看成一张由许多“特征”及其相互连接构成的线路图，并试图找出一条从输入通向某个具体行为的连通子图，以此解释模型究竟如何算出这个结果。
它是怎么做的：模型每一层的激活都可拆成大量特征（features），例如“这是引号内的内容”“这是化学式”“上文出现过同一个人名”。这些特征通过权重连接到下一层，连接有正有负：有的起促进作用，像导线把信号送出去；有的起抑制作用，像接地把信号压下去。电路分析做的就是逆向追踪：先锁定一个要解释的行为，再逐个环节替换或关闭（常见手段有激活修补 activation patching、路径修补 path patching、消融 ablation），观察输出是否随之改变，以此判断这条连线是否真的在起作用。
打个比方：修收音机不出声，不会指望换掉某个晶体管就修好，而是拿表沿着线路一段段量：电源通不通、哪一级放大失效、信号在哪断了。又像追查公司里一个决策怎么来的：关键不在一句“谁拍的板”，而在哪几个部门、哪几条汇报线把信息一级级传上去、在哪一环被改写。经典例子是“归纳头（induction head）”：它由多个注意力头分工协作，共同完成“上文出现过 A 后面跟 B，那么这次看到 A 就预测 B”这类上下文学习行为。
和相邻概念的区别：神经元级解释（neuron-level interpretation）想给单个神经元贴标签，比如“这是猫神经元”。电路分析认为这通常过度简化：同一个神经元往往混着好几个不相关的功能，叫多义性（polysemanticity），真正稳定的单元是特征以及特征之间的连接模式。它也和注意力可视化不同：后者只告诉你“模型看了哪里”，电路分析要回答“看了之后怎么算的”。
| 单神经元解释 | 电路分析 | |
|---|---|---|
| 解释单元 | 单个神经元或通道 | 多个组件组成的子图 |
| 典型问题 | 这个神经元对什么敏感 | 这个行为由哪条通路完成 |
| 常见失败 | 换模型、换输入就不成立 | 图太长、组件冗余，难以穷尽 |
| 干预方式 | 关掉某个神经元 | 精准改写某条连接 |
对从业者的意义：做安全审计时，能定位到产生有害输出的具体通路，做更精准的干预；做知识编辑和模型调试时，知道该改哪里，而不是全局调参。对普通人也有一个提醒：模型的行为并不由某个“决策神经元”决定，所以“删掉一个神经元就修好”的想法基本行不通；可解释性的产出，通常是一张针对某类行为的局部电路图，而不是一句漂亮的人话解释。具体工具与接口能力请以官方页面为准。