最近GraphDC的论文刷屏，核心思路就是把大图拆成子图，每个子图交给一个Agent做局部推理，最后主Agent整合。这思路在工程上很直观——大图推理的瓶颈在于上下文长度和注意力分散，分治确实能缓解。但作为踩过类似多Agent系统坑的工程师，我得说几个现实问题。
首先，子图划分的质量直接影响最终结果。GraphDC可能用了随机或基于连通性的切分，但实际图数据（比如社交网络或知识图谱）往往有高度非均匀的度分布，简单切分容易把关键结构切碎，导致局部Agent丢失全局依赖。个人经验：我在做推荐系统图推理时，尝试过分块后效果反而变差，因为用户-商品关系的跨块交互被割裂。其次，多Agent间的通信成本被低估了。论文假设主Agent能完美整合，但实践中子图推理结果可能冲突或冗余，需要额外协调逻辑。
抛开这些，GraphDC的价值在于它把“分而治之”从算法设计延伸到系统架构，这对工业级大规模图推理很有启发。但我想抛两个问题：1）子图划分策略如何自适应图拓扑？2）Agent间通信如何避免信息丢失？期待有更多工程实践讨论。