刚读完GraphReAct这篇论文，感觉它在推理-行动框架上迈出了有意思的一步。过去ReAct这类方法主要用在文本或知识图谱上，图数据的结构化特性——信息分布在节点和边，且通过拓扑和潜在表示双重编码——让直接迁移变得困难。论文的核心贡献在于：他们不只是简单地从图中检索证据，而是在多步推理中动态优化积累的上下文。这有点像人在解谜时不断修正假设，而非一次性查完所有资料。
从个人经验看，我之前试过用GNN+LLM做分子性质预测，最大的痛点就是多步推理中上下文会“稀释”。GraphReAct的迭代机制可能缓解这个问题，但关键还得看行动策略的设计——比如什么时候该检索邻域，什么时候该依赖已学表示。我有点好奇：作者是否对比了不同检索粒度（如节点级vs子图级）对性能的影响？另外，图数据中的噪声边会不会让行动决策偏移？
如果这个框架能通用，那图上的复杂问答（比如药物发现中的多跳关系推理）可能迎来新突破。不过目前实验规模似乎有限，期待后续在更大基准上的表现。大家觉得图推理里“行动”和“推理”的边界应该怎么划？还是说它们本质上是同一回事？