结构胜于规模：面向 RAG 的模式约束因果图

基于图的检索增强生成（GraphRAG）将答案建立在结构化知识之上，但当前系统穷尽式地抽取实体和关系，产生的图其规模和构建成本随语料长度而非查询所需的推理量增长。我们提出 HCG-RAG（分层因果图 RAG），用模式约束的因果图取代开放式抽取：自动化流水线将语料蒸馏为固定、带类型的因果变量词表，并在其上物化一个紧凑的两层图。我们的模式约束图在答案质量上媲美实体-关系基线，而成本只是其一小部分：节点数少3-20倍，构建时 LLM 调用比最耗费 LLM 的基线（MS-GraphRAG）少8-135倍，且图足够紧凑，领域专家可以审计、修正和扩展。在医学和临床基准上，包括一个经神经学家验证的癫痫数据集，HCG-RAG 匹配或超越最佳的实体-关系系统。消融实验将因果图隔离为结构化检索过滤器，比仅嵌入检索高出6个百分点（pp）。在所有存在可发现分层因果结构的领域中，只有施加更高层级组织的方法才能超越扁平的实体-关系检索，这表明图中放什么比图里有多少节点更重要。