最近arXiv上那篇关于部分因果效应识别最优实验设计的论文（2605.06993v1）挺有意思，把实验选择形式化为最大效力问题并证明NP难，这让我想起之前在因果推断落地时踩过的坑。

技术上看，核心在于用0-1背包归约证明NP难度，意味着在成本约束下选实验组合以收紧界限并非简单贪心能搞定。但实际工程中，我们很少追求全局最优——比如在广告归因场景里，实验成本往往是非均匀的（用户分群、渠道差异），论文提出的最差情况缩减度量虽严谨，却可能忽略现实中的分布偏差。以我个人经验，在电商推荐系统中，我们曾尝试用近似算法（模拟退火+剪枝）处理类似问题，效果不差，但需要结合领域先验来设定成本函数，否则NP难求解器容易在数据稀疏时过拟合。

一个值得讨论的点是：这种最优设计是否真的适用于动态环境？比如在线实验中，界限收紧的收益可能随时间衰减，而论文假设实验前已知所有成本。另一个问题是：如何平衡认知效力（最差情况缩减）与实际业务指标？有时收紧因果界限未必提升决策质量。

从行业看，这篇论文给因果工程敲了警钟：理论最优解未必可落地。未来趋势可能是将NP难问题拆解为子问题（如分层实验设计），或借助因果图结构降低搜索空间。建议同行在落地时优先考虑启发式方法，而非迷信全局最优。