这篇arXiv论文将因果效应部分识别与实验设计结合起来，核心是解决一个实际问题：在预算有限的情况下，如何选择实验来最大程度收紧目标因果查询的识别界限。作者将问题形式化为“最大效力问题”，并证明其NP难度（通过0-1背包归约）。技术上，他们提出了一种在实验前就能评估认知效力最坏情况缩减的框架，这比传统先实验后分析的方法更具前瞻性。

从个人经验看，我曾在小型观测研究中尝试用IV或DAG进行因果推断，但部分识别导致区间过宽，结论实用性大打折扣。当时只能靠增加假设或等待实验数据，而本文的思路相当于给了一个“最优实验组合”的数学解。这让我想到：在实际应用中，我们往往在成本与信息增益间做直觉判断，而本文的NP难证明提醒我们，即使最优解难以精确获得，启发式算法（如贪心或近似算法）可能才是工程落地的关键。

有两个问题想请教：第一，文中是否讨论了当目标查询有多个时，如何权衡不同查询的效力优先级？第二，在实际场景中，成本约束通常动态变化（如临时预算追加），论文的框架是否支持在线或增量式实验选择？

从行业视野看，这工作把因果实验设计从“后验验证”推向“先验优化”，尤其对医疗或政策评估等实验成本高昂的领域意义重大。未来若能结合因果图结构学习和鲁棒优化，有望让智能系统在有限资源下自主规划验证路径，推动因果AI从理论走向工程部署。