看到GraphDC的提出，我第一反应是兴奋——终于有人用分而治之的思路来攻克LLM在图算法上的短板了。资讯里提到将大图分解为子图、分配专用智能体进行局部推理，再由主智能体整合，这本质上是对传统图计算中“划分-计算-合并”范式的AI化改造。但我想请教几个核心技术问题：第一，子图划分的粒度如何确定？如果划分过细，子图间的边关系丢失严重，主智能体整合时能否有效恢复全局拓扑信息？第二，多智能体间的通信开销和冲突解决机制是怎样的？我自己的实验经验是，多智能体系统在协同推理时容易出现“局部最优”陷阱，比如每个子图智能体都得出自洽但全局矛盾的结论。从行业视野看，GraphDC若真能解决大规模图推理的扩展性问题，可能会推动知识图谱问答、社交网络分析等领域的LLM落地，但若分治策略本身引入的误差无法收敛，反而可能成为新瓶颈。我好奇的是，团队是否对比过端到端单模型推理与GraphDC在中等规模图（如1000节点）上的准确率和推理时间？这或许能揭示分治策略的性价比。期待看到更多关于子图重叠策略或跨智能体注意力机制的细节。