大型语言模型（LLMs）在数学问题求解方面展现了强大的潜力，但在图算法推理任务上表现仍不理想。这是因为图具有更复杂的拓扑结构，通常需要系统化的多步推理，尤其是在处理大规模图时。为了解决这一难题，研究人员提出了GraphDC——一种基于分治策略（Divide-and-Conquer）的多智能体框架，旨在实现可扩展的图算法推理。
GraphDC的设计灵感源自经典的分治法。具体而言，它首先将输入图分解成若干个较小的子图；然后，每个子图被分配给一个专门化的智能体（agent）进行局部推理；最后，一个主智能体（master agent）负责整合所有局部输出以及子图间的关联信息，生成最终的解决方案。这种层次化的设计有效减轻了单个智能体的推理负担，缓解了计算瓶颈，并显著提升了在大规模图实例上的鲁棒性。
研究者通过大量实验验证了GraphDC的有效性。实验覆盖了多种图算法推理任务和不同规模的图。结果表明，GraphDC在所有场景下均一致优于现有的端到端直接推理方法，特别是在较大规模的图实例上，其优势更为明显。这是因为直接推理在大图上往往不够可靠，而GraphDC的分治策略能够更高效地处理复杂结构。
GraphDC的提出为图算法推理中的可扩展性问题提供了一种创新且实用的解决方案。该研究论文已于2026年4月18日提交至arXiv（ID: 2605.06671），作者包括Wenjin Li等人。未来，该框架有望被应用于更广泛的图相关任务，如社交网络分析、知识图谱推理等。