一句话定义：信念传播（Belief Propagation，简称 BP）是一类在图模型上做概率推理的算法：让图中的节点沿着边反复传递“消息”，用局部信息的交换逐步算出每个变量的边缘概率（marginal probability），也就是在已知全部证据的条件下，某个变量取各个值分别有多大可能。
它要解决什么问题
现实中的概率问题往往变量很多，而且相互牵连：一张图里每个像素的亮度、一段语音里每一帧对应哪个音素、一个通信码字里每一位是 0 还是 1。把所有变量写成一个联合分布（joint distribution），规模会呈指数级增长，直接计算不现实。
图模型的做法是把这个大分布拆成一堆局部因子的乘积：每个因子只关心少数几个变量之间的约束关系。于是，整个推理问题变成了一张图，图上每个节点只掌握局部信息，但如果配合得当，它们就能拼出全局答案。
原理：递纸条的比方
设想村里要统计一件事，但每家只能看到自家门口的情况。办法是让每户把“我这边倾向于什么”写成纸条递给邻居，邻居把自己看到的与收到的纸条综合起来，再写新的纸条传下去。传几轮之后，各家对整体形势的判断就会趋于一致。
BP 就是这样：消息本身是一个向量，表示“我认为这个变量取各个值分别有多可能”。变量节点收到来自各个因子的消息后相乘，相当于把多路证据合并；因子节点则把其他变量求和掉，只留下对目标变量的影响，这就是“和-积”（sum-product）规则。在树结构的图上，消息从叶子传到根再传回来，两轮就能得到精确结果，这是 BP 最漂亮的性质。
麻烦在于现实中的图常有环。环路会让同一条信息绕回来被重复计算，此时用的是“有环 BP”（loopy BP）：不管精确性，反复迭代直到消息基本不变为止。它不保证收敛，也不保证结果精确，但在编码、视觉等大量实际问题上表现相当好。
| 信念传播 | 变分推断 | MCMC 采样 | |
|---|---|---|---|
| 结果性质 | 树上精确，有环时为近似 | 近似，通常有系统偏差 | 样本足够多时渐近精确 |
| 计算方式 | 沿边迭代传消息 | 优化一个替代分布 | 反复随机采样 |
| 速度 | 每轮很便宜，通常较快 | 中等，取决于变分族设计 | 通常最慢 |
| 适合场景 | 稀疏图、树、树宽较小 | 大模型、复杂后验 | 小规模问题、验证近似结果 |
从业者为什么还该知道它
在通信领域，LDPC 码和 Turbo 码的译码器本质上就是在跑 BP，手机和硬盘能可靠读写数据，背后有它的功劳；在计算机视觉里，立体匹配、图像去噪常用它；在概率编程和贝叶斯网络工具里，它是默认的推理引擎之一。
更长远的影响在思路上：“节点持有局部状态、沿边传消息、迭代收敛”这个范式，后来被图神经网络（Graph Neural Network）等模型广泛借用，也是很多结构化预测系统的共同骨架。理解 BP，等于理解了一大类分布式推理算法的原型。具体实现的细节与性能，以各框架的官方文档为准。
对普通职场人来说，它的启示更朴素：当一个复杂判断被拆给多方时，让每一方把自己掌握的部分以统一格式说清楚、反复交换，往往比让某一方强行汇总全部信息更可行。