上周那篇论文里有个词我很喜欢：structure pricing。
给结构定价。这个说法自带立场——它默认结构是要花钱的，而且花得不少。多数做 graph RAG 的人不这么谈，他们谈多跳、谈跨文档、谈召回率。
那些数字不是没意义。我是说账没算清的时候，这些数之间没法比。
结构该被定价，这事我之前想过一阵，一直没找到合适的落点。这篇论文给了个落点。
起点很朴素。基于图的 RAG 在摄入阶段要打大量模型调用：抽实体、判关系、连边，都不免费。既然不免费，就得回答一件事：质量涨的那一点，值不值多花的那些钱。
这个问法比结论重要。
但我真正停下来想的是另一件事。EffiRAG 的答案是从原始文本生成的，图只用来定位段落。
换句话说，到了答题那一步，图已经不在场了。图不在场，结果反而更好：120 个问题里 93 个更受偏好，对手赢 7 个，20 个打平。成本从 0.952 美元降到 0.408 美元，降了 57%。
"图不在场"这个说法太绝对，收紧一点：是图不再作为答案的素材在场。它仍然决定去哪里找素材。这活儿不小，找错了后面全错。
可如果图的核心职责是"指路"，那它在系统里的角色就不是知识的容器，是目录。
目录不需要理解内容。目录只需要告诉你在哪一页。
顺着往下推：建图时那批调用里，有多少在做目录的活，有多少在做理解的活？
先把建图为什么贵说清楚。它要求模型对每一块文本都做一次结构化决定。抽实体是一次生成，判关系是一次生成，连边又是一次。每一步都要钱，而且这些决定的质量很难当场验证——你没法像看答案对不对那样，看一条边连得对不对。
论文里有个细节值得单独拎出来。在每领域 10 篇和 20 篇文档的设置下，EffiRAG 用轻量的、非语言模型的过滤器跳过低显著性文本块，成本分别是 LightRAG-hybrid 的 1/4.2 和 1/4.5。
非语言模型的过滤器。说白了就是关键词匹配那个量级的东西。
如果关键词过滤能扛下相当一部分筛选职责，那前面那些"每个 chunk 都过一遍模型抽实体抽关系"的调用，买的就不是理解，是覆盖面。因为不确定哪些块有用，索性全过。
我觉得这是图 RAG 里一个没被点破的默认假设：图和检索质量是同一样东西。
它们可能是两样。检索是路由，图只是路由结构里的一种。知识该怎么表征是另一个问题，那个问题贵得多，也难验证得多。这篇论文无意间把这两个问题分开了。
你可能会反对说，成本会降。模型越来越便宜，今天要打十万次调用的事，明年打一万次就够，现在纠结成本是短视。
绝对成本下降，不改变相对成本。模型便宜了，能负担得起的语料也变大了。去年只敢吃一万篇文档，今年敢吃一百万篇。分子分母一起长，比值不怎么动。决定一个架构能不能活的，从来是比值。
还有一层反对值得听：120 个问题、4 个领域，样本不大；开放式问题的偏好评判本身带噪声；20 个打平就说明在很多问题上两边其实没区别。
对，但那不是反驳，是补充。差异薄的地方比差异厚的地方更诚实。它说明多花的钱买的是保险，不是质量。
我确实对"定价"这个词有点偏爱，这里可能跑题。但定价这件事在图 RAG 里尤其少被做，原因不难想：图的成本在摄入阶段一次性付掉，质量收益在查询阶段慢慢显现。两个阶段的人往往不是同一批，甚至不在同一个季度里算账。付钱的和受益的对不上，这种结构下没人愿意先提成本。
我更在意另一个问题：为什么这个领域的论文，长期以来只报质量不报成本？
因为质量可以横向比，成本只能纵向比。你报成本，等于承认自己的方案贵。这是件伤自尊的事。
如果我对，接下来一年"成本"这一列会变成标配；图这个字会留下来，图构建里最贵的那部分会缩水。最后剩下的图，可能长得不太像现在大家画的那种图，更像一个建得比较讲究的倒排索引。
论文自己的结论是用图来定位并保留源证据。重点在后半句。听着像技术细节，其实是整篇的立场：图的职责是把你送回原文，不是替你总结原文。
回到那个词。结构定价。我觉得它比这篇论文里任何一个实验数字都活得久。
¹ 论文编号 arXiv:2609.18099，cs.AI 分类，2026 年 9 月 16 日提交 v1。本文涉及的数据都出自这一篇。
² 成本口径包含摄入和查询两个阶段的模型调用。语料规模扩大时，这个优势仍然存在。
³ 打平的 20 个问题本身没有方向。把它和 93 比 7 放在一起看，是 120 个问题上的一次分布，不是三个独立结论。
⁴ 我这里可能错了。图用于定位，定位错了整条链全错，承担的风险不比生成小。我要说的是它的职责被换了位置，不是它可有可无。