消息传递神经网络在图结构数据上已取得显著成功。然而，在许多实际场景中，消息传递机制可能导致过平滑问题，或在相邻节点属于不同类别时失效。本文提出一种简单但通用的框架，用于提升消息传递神经网络的学习性能。我们的方法通过在原始图的每条边上引入“慢节点”（slow nodes），对边进行上采样，从而实现源节点与目标节点之间的通信中介。该方法仅修改输入图结构，无需改动现有模型，具有即插即用的特性，易于集成。为深入理解减缓消息传递带来的优势，我们从理论和实证两个层面进行了分析。在多个监督学习与自监督学习基准任务上的实验结果表明，该方法在各类场景下均取得显著提升，尤其在异质性（heterophilic）条件下表现突出——即相邻节点更可能具有不同标签的情形。此外，我们进一步展示了该方法在自监督学习中的应用潜力：通过随机在图的不同边上引入慢节点，可生成具有不同路径长度的多尺度视图，从而为自监督学习提供有效的数据增强策略。