长尾节点分类面临两个主要挑战。首先，极端的类别非平衡导致头部类别在训练中占据主导，而尾部类别样本的稀缺性阻碍了有效学习。其次，现有方法大多采用统一的表示学习策略，缺乏稳健的跨类别知识共享，易在类别迁移过程中造成知识损失和冲突。为此，提出了一种基于自监督和提示(Self-Supervision and Prompting，SSP)的渐进长尾节点分类方法，其核心设计包括三个方面：首先，渐进式微调策略：利用自监督预训练的图神经网络(Graph Neural Network，GNN)，依次适应头部、躯干与尾部类别的特征，从而逐步积累有效知识；其次，提示学习机制：在每一阶段的微调过程中引入提示，引导模型关注任务相关特征并缓解跨类别干扰；最后，混合专家(Mixture of Experts，MoE)模块：将各阶段微调后的模型视为独立专家，动态融合其知识，实现协同决策与全局一致性。总体而言，该方法以解耦、强化与整合为设计核心，有效应对了长尾节点分类中的关键难题。在四个图数据集上，SSP的分类准确率比次优方法(LTE4G和HierTail)平均提升4.6%，验证了其有效性。