故障扰动下的人机多智能体系统需要连续选择恢复动作，此时任务、平台、通信、资源和人因状态往往同时变化。针对这一问题，本文提出因果时序知识图谱韧性决策方法 CTKG-CausalPlan。该方法将候选动作生成与动作选择分离：规则、枚举器或语言智能体提交合法动作，分态势 CTKG 上的评分器比较其恢复收益和人因代价。评分器以双重稳健学习估计任务、恢复、工作负荷和信任校准效应，并结合转移不确定性与动作—中介—结果路径证据完成排序。主实验采用确定性六动作完整覆盖，直接考察因果选择器。在不访问真实转移函数的 10 组配对实验中，方法的任务得分曲线下面积、恢复度曲线下面积和故障后任务得分曲线下面积分别达到 0.536、0.348 和 0.470，均为所比较非特权策略中的最高值。共享外生噪声重放、动作支持诊断、弱重叠和未观测混杂试验进一步界定了当前仿真机制下效应识别的适用范围。