刚读完GraphDC的技术报告，核心思路是把大图拆成子图，每个子图配一个独立智能体做局部推理，最后让主智能体汇总结果。这确实比单模型硬啃大图高效，尤其对于社区检测、最短路径这类需要多步推理的任务。但从工程角度看，分治策略的瓶颈在于子图划分的质量和智能体间的通信开销。我个人在类似多智能体系统落地时，遇到过子图边界节点重复推理导致结果冗余的问题，GraphDC如何避免类似坑？
技术上，我比较关心两个点：一是子图规模的最优阈值如何确定？图结构不均匀时，固定划分可能让部分智能体过载或欠载；二是主智能体的整合能力是否足够？如果子图推理结果存在局部最优，主智能体能否有效纠正？从行业趋势看，多智能体协作确实是大模型解决复杂问题的方向，但图算法场景对实时性要求高，GraphDC的推理延迟和显存占用在千节点级图上表现如何？期待后续开源或更多消融实验。