标题：GraphDC：一种用于可扩展图算法推理的分治多智能体系统
摘要： 大型语言模型（LLMs）已在许多数学问题上展现出强大的潜力。然而，它们在图算法任务上的表现仍不尽如人意，因为图在拓扑结构上天然更为复杂，且通常需要系统性的多步推理，尤其是在处理较大规模的图时。受这一差距的驱动，我们提出了 GraphDC，一种用于可扩展图算法推理的分治多智能体框架。具体而言，受分治设计的启发，GraphDC 将输入图分解为较小的子图，将每个子图分配给专门的智能体进行局部推理，并使用一个主智能体整合局部输出与子图间的信息，以生成最终解决方案。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，并提升了在大规模图实例上的鲁棒性。大量实验表明，GraphDC 在多种任务和规模下的图算法推理中始终优于现有方法，尤其是在直接端到端推理可靠性较低的大规模实例上表现更为突出。