图神经网络（Graph Neural Network，GNN）最重要的能力，不是“把神经网络用在图上”，而是让每个对象在更新表示时，显式利用它与其他对象之间的关系。
这句话听起来简单，真正落地却涉及一连串问题：邻居信息怎样聚合？为什么 GCN 要做度归一化？GraphSAGE 的“归纳能力”来自哪里？注意力权重能否解释模型？层数加深为什么经常变差？千万节点的图又该怎样训练？
本文从统一的消息传递框架出发，推导四类经典模型，再把重点落到数据划分、大图采样、异构图、常见失败模式和 PyTorch Geometric 实践上。