这篇arXiv论文把因果效应识别中的实验设计问题形式化为最大效力问题，并证明其NP难度，技术上很有深度。核心在于：给定成本约束，如何选择实验集以最坏情况下收紧界限。这本质是一个组合优化问题，归约到0-1背包，意味着精确解不可行。

从一线工程师角度，我曾在反事实预测项目中遇到过类似困境——我们想通过少量A/B测试收紧因果效应的置信区间，但实验成本（流量、时间）限制下，贪心策略（选最可能收紧界限的实验）往往导致次优解。个人经验是，实际中可尝试近似算法（如贪心+局部搜索）或松弛为连续优化（如随机化实验概率分配），但需注意论文强调的“最坏情况保证”与平均表现的权衡。

讨论点：1）在工业场景中，你们会优先保证最坏情况收紧还是平均收紧？2）对于高维因果图，是否有启发式方法（如基于图结构的节点重要性排序）来降低搜索空间？

行业视野：这工作将强化学习中的探索-利用困境引入因果实验设计，未来可能推动自动化实验平台（如Netflix的交互式实验）的决策优化。但NP难性意味着工程上需依赖近似，而近似质量与因果图复杂度直接相关——这或许是下一个瓶颈。