通过多跳 RAG 的零词元几何图超越相似性

多跳检索增强生成 (RAG) 需要与查询保持相关的证据，同时引入足够的新颖性来弥合语义差距。密集检索往往集中在语义相似的文档上，而基于图的替代方案通常依赖于昂贵的大型语言模型（LLM）实体提取，并且可能通过嘈杂的连接传播。我们引入几何增益图 RAG (G$^3$RAG)，这是一个纯文档框架，其离线图构建不使用 LLM 调用或生成的词元。 G$^3$RAG 为每条边分配一个几何增益分数 $\cosθ\cdot \sinθ$，共同捕获文档表示之间的方向一致性和正交性。密度感知的拓扑惩罚抑制了高度连接的中心，而单步受控扩散从过滤的查询种子扩展到补充证据。我们使用 Nv-embed-v2 和 Qwen3-8B-embed 在 MusiQue、2WikiMultiHopQA 和 HotpotQA 上评估 G$^3$RAG。在两种嵌入设置中，G$^3$RAG 在评估的基于图的基线中获得了最佳的平均 F1 和答案文档命中率，平均性能提升高达 4.26 F1 点，在 MusiQue 上提升 5.76 点。它还消除了基于实体的图方法所产生的图构建词元成本。这些结果表明，几何结构可以支持高效的多跳证据发现，而无需基于 LLM 的图构建。代码可在 https://anonymous.4open.science/r/G3RAG-99D9/ 获取