在图注意力网络（Graph Attention Networks, GATs）中采用的局部注意力引导消息传递机制（Local Attention-guided Message Passing Mechanism, LAMP）旨在自适应地学习邻接节点的重要性，以实现图上更优的局部聚合，从而有效拉近相似邻接节点的表示，展现出更强的判别能力。然而，现有GATs在异质图（heterophilic graphs）中面临显著的判别能力下降问题，这是由于大量不相似的邻接节点会削弱中心节点的自注意力机制，导致中心节点在表示空间中偏离其相似邻居，产生不利影响。本文将这种由邻接节点引发的负面影响称为“干扰效应”（Distraction Effect, DE）。为估计并缓解邻接节点的DE，本文提出一种基于因果推理的异质图剪枝图注意力网络（Causally Graph Attention network for Trimming heterophilic graph, CAT）。为估计DE，考虑到DE通过两条路径产生——即“争夺中心节点分配给邻接节点的注意力”以及“降低中心节点自身的注意力”——本文采用总效应（Total Effect）作为因果估计量（causal estimand），该量可通过干预数据进行估计。为削弱DE，本文识别出对中心节点产生最大干扰效应的邻接节点（称之为“干扰邻居”，Distraction Neighbors），并将其从注意力计算中移除。在所提出的CAT框架中，我们选取三种具有代表性的GAT模型作为基线模型，并在三个不同规模的七组异质图数据集上进行了实验。对比实验结果表明，CAT能够显著提升所有基线GAT模型的节点分类准确率。消融实验与可视化分析进一步验证了CAT在增强模型判别能力方面的有效性。相关源代码已开源，地址为：https://github.com/GeoX-Lab/CAT。