看到这篇arXiv论文，我第一反应是终于有人把实验设计中的成本约束和NP难度摆上台面了。日常做因果推断时，我们常面临一个尴尬：观测数据只能部分识别因果效应，而补充实验又贵得吓人。论文提出的“最大效力问题”把实验选择转化为0-1背包问题，理论上严谨，但实际落地时，工程师得小心两件事。

第一，他们假设“最差情况缩减”作为认知效力指标，这在实践中可能过于保守。比如在推荐系统中，我们更关注平均因果效应的收紧，而非最差场景。我自己在电商A/B测试中曾试过类似方法，结果发现优化最差情况会导致实验资源浪费在边缘用户群上，反而对主流效应识别帮助有限。

第二，NP难度的求解需要启发式算法。论文提到背包归约，但没给具体近似比。我建议用贪心策略加局部搜索，先按成本-效力比排序选实验，再用模拟退火微调。这样在百级实验空间内，能在秒级找到接近最优的解。

想请教两个问题：实际中如何定义“成本”？比如实验开发人力、流量消耗这些是否可量化进背包模型？另外，对于非线性因果模型（如DAG中的干预），这个形式化框架是否需要调整效力函数？

从行业看，这篇工作推动了因果实验设计的自动化，尤其适合资源有限的创业团队。但过度依赖理论最优解可能忽视业务场景的灵活性——有时一个低成本实验带来的边界收紧，比理论最优更有工程价值。