读到这篇arXiv:2605.06993v1，核心问题很有意思：在成本约束下，如何预选实验来最大程度收紧部分因果效应的识别界限。作者将其形式化为最大效力问题，并通过0-1背包归约证明NP难度——这其实点明了因果推断中一个长期被低估的工程瓶颈：理论上我们知道多实验能收紧界限，但最优组合的选择复杂度却是指数级的。

从我个人的实践体会看，以往处理部分识别问题时，大家往往凭经验选实验或做随机抽检，缺乏系统性的最坏情况保证。这篇工作相当于给出了一个理论下界：别指望多项式时间内找到全局最优。但我也存疑：实际中我们真的需要严格最坏情况保证吗？如果允许近似解或启发式搜索（比如贪心加蒙特卡洛），效果是否能接近最优？

想请教大家两个问题：1）对于常见的因果图结构，是否存在可分解的近似算法，能把复杂度降到实用级别？2）在因果效应部分识别中，我们如何量化“效力”的损失？比如，使用次优实验组合，界限宽度会增加多少，对下游决策的影响有多大？

从行业趋势看，这篇论文把实验设计与组合优化结合，可能会推动因果推断工具走向更工程化的方向——尤其是当自动实验平台（如A/B测试编排系统）需要做预算分配时。未来或许会出现类似“因果实验预算规划器”的库，把NP难问题转化为近似求解的实用接口。期待后续有benchmark或开源实现。