刚读完GraphReAct这篇arXiv预印本，核心思路是用LLM的reasoning-acting框架来动态获取图结构信息，解决多步推理问题。技术上，它把图推理拆解为交替的“推理步骤”和“行动步骤”，类似ReAct但专门针对图数据。关键创新在于：通过LLM生成自然语言查询来触发图操作（如邻居采样、路径搜索），而不是传统GNN的固定图传播。这确实能处理动态图或未知图结构，但我觉得实际意义有限——图推理的瓶颈往往是图本身的稀疏性和噪声，LLM的“行动”如果依赖外部图数据库，延迟和准确性如何平衡？个人经验是，在知识图谱QA任务中，类似方法常因查询生成不精确而引入错误。我想请教两个问题：1）GraphReAct在多跳推理上的准确率相比GNN+LLM baseline提升多少？摘要没提具体数字，怀疑是效果一般。2）行动步骤的图操作是否可微分？如果不能，端到端训练是否受限？从行业看，这种“LLM+图代理”模式可能推动图数据库与LLM的融合，但短期内难以替代专门图模型。期待实验细节公开。