GraphDC：用于可扩展图算法推理的分治多智能体系统

大语言模型（LLM）在许多数学问题上展现出强大潜力。然而，它们在图算法任务上的表现仍不尽如人意，因为图在拓扑上天然更为复杂，且常常需要系统性的多步推理，在更大的图上尤其如此。受这一差距启发，我们提出GraphDC，一个用于可扩展图算法推理的分治（Divide-and-Conquer）多智能体框架。具体而言，受分治设计启发，GraphDC将输入图分解为更小的子图，将每个子图分配给专门的智能体进行局部推理，并使用主智能体将局部输出与子图间信息整合以产生最终解。这种分层设计减轻了单个智能体的推理负担，缓解了计算瓶颈，并提高了在大图实例上的鲁棒性。大量实验表明，GraphDC在跨多样任务与规模的图算法推理上持续优于现有方法，在直接端到端推理可靠性较低的大实例上优势尤为明显。