大型語言模型（LLMs）在數學問題求解方面展現了強大的潛力，但在圖算法推理任務上表現仍不理想。這是因為圖具有更復雜的拓撲結構，通常需要系統化的多步推理，尤其是在處理大規模圖時。為了解決這一難題，研究人員提出了GraphDC——一種基於分治策略（Divide-and-Conquer）的多智能體框架，旨在實現可擴展的圖算法推理。
GraphDC的設計靈感源自經典的分治法。具體而言，它首先將輸入圖分解成若干個較小的子圖；然後，每個子圖被分配給一個專門化的智能體（agent）進行局部推理；最後，一個主智能體（master agent）負責整合所有局部輸出以及子圖間的關聯信息，生成最終的解決方案。這種層次化的設計有效減輕了單個智能體的推理負擔，緩解了計算瓶頸，並顯著提升了在大規模圖實例上的魯棒性。
研究者通過大量實驗驗證了GraphDC的有效性。實驗覆蓋了多種圖算法推理任務和不同規模的圖。結果表明，GraphDC在所有場景下均一致優於現有的端到端直接推理方法，特別是在較大規模的圖實例上，其優勢更為明顯。這是因為直接推理在大圖上往往不夠可靠，而GraphDC的分治策略能夠更高效地處理複雜結構。
GraphDC的提出為圖算法推理中的可擴展性問題提供了一種創新且實用的解決方案。該研究論文已於2026年4月18日提交至arXiv（ID: 2605.06671），作者包括Wenjin Li等人。未來，該框架有望被應用於更廣泛的圖相關任務，如社交網絡分析、知識圖譜推理等。