图结构何时值得其成本？检索增强生成中的结构定价

基于图的检索增强生成可帮助回答需要多个文档信息的问题，但建图常在入库阶段需要大量语言模型调用，因此必须考察质量收益是否值得额外成本。我们提出旨在降低该成本的图RAG系统EffiRAG，用图定位相关片段，再从原始文本生成答案，保留来源信息并保持建图与查询轻量。我们在包含四个领域120个开放问题的UltraDomain上评估。相较LightRAG-hybrid，EffiRAG在93题中答案获偏好，LightRAG在7题中获偏好，其余20题评价分歧。EffiRAG还将系统总成本从0.952美元降至0.408美元，减少57%；成本包括入库与查询的语言模型调用。随着语料增长，该优势仍存在。在每领域10及20个文档时，EffiRAG用轻量非大模型过滤器跳过低显著性片段，仍比LightRAG-hybrid更受偏好，成本分别低4.2倍和4.5倍。这些比较识别了不同质量与成本权衡，说明图RAG应同时以答案质量与成本评估，结果支持用图结构定位并保留来源证据。