最近GraphDC的论文引起了不少讨论，作为一个做过图算法落地的AI工程师，我想聊聊实际感受。核心创新在于将大图分解为子图、分配专用智能体进行局部推理，再由主智能体整合——这听起来像是把MapReduce搬到LLM推理中。关键数据是：在最多400个节点的图数据集上，GraphDC相比单模型方法有显著提升，但实际工程中，图规模常达到百万级节点，这里的子图划分策略和智能体通信开销是真正挑战。我个人在尝试类似思路时，发现子图边界定义和节点重复计算会导致结果偏差，GraphDC的论文对此着墨不多，可能掩藏了深层问题。我的疑问是：1）分治策略中，子图划分的粒度如何自适应优化？是依赖启发式规则还是可学习参数？2）主智能体整合时，跨子图关系（如桥梁节点）的语义一致性如何保证？从行业视角看，GraphDC为多智能体系统在图数据上开辟了新方向，但若不能解决大规模图的分布式推理效率，可能仍停留于学术benchmark。建议关注其与图神经网络或传统图算法的混合方案——纯LLM推理在复杂拓扑上未必是最优解。