过去几周,RAG 圈的注意力几乎都押在同一个问题上:知识图谱太贵了,能不能不建图、少建图、或者聪明一点建图。三篇论文(MatRAG、LiteRAG、MOSAIC)给出了各自的省钱路线,一家家都宣称在质量持平的前提下把成本打了下来。就在降本叙事越讲越顺的时候,10 月 1 日一篇叫《Hop-Decayed Influence》的论文给这场竞赛踩了一脚刹车:GraphRAG 那些用来提速的辅助结构——社区摘要、层级链接、预计算分数——篡改其中 0.016%,就能让 88% 到 94% 的查询答案被攻击者带走。

先看这个攻击有多省事

这篇论文的攻击对象不是图数据库本身,而是 GraphRAG 在建图阶段生成的辅助结构。为了让多跳查询跑得快,GraphRAG 会预先算好社区摘要、实体间的层级关系、一堆预计算分数,查询时直接拿来用。研究者的发现是:这些结构在运行时被无条件信任,没有任何完整性校验。

于是攻击变得异常便宜:只要改动 0.016% 的辅助结构——不到千分之二——就能对后续查询达成 88-94% 的攻击成功率,而且每个被篡改的结构会影响最多 6 个后续查询。换句话说,攻击者不需要碰你的原始文档,不需要入侵向量库,只需要在图谱管道的中间产物上动一点点手脚,答案的走向就变了。

这和传统 RAG 的威胁模型完全不同。向量检索的原始语料被篡改,至少还能靠和源文件比对发现;但社区摘要和预计算分数是 LLM 生成的派生物,没有天然的"原文"可以对照。你甚至说不清"正确版本"长什么样——这让完整性校验连一个参照系都没有。论文作者的结论很直接:这些结构需要完整性检查,而眼下几乎没有人做。

降本三连,和它们没写的那一章

把时间线拉开看,这场降本竞赛的路线其实很清晰。

MatRAG(10 月 1 日)干脆不建知识图谱,改用层级化的文档聚类组织语料,报告的结果是质量持平甚至超过基于图的 RAG,而索引和查询成本都更低——最贵的"建图"这一步被整个跳过了。LiteRAG(9 月 9 日)保留图,但用查询引导的算法探索替代昂贵的 LLM 驱动图检索,自称质量超过 GraphRAG Global 和 DRIFT,延迟和成本还更低。MOSAIC(9 月 10 日)走中间路线,按每个查询自适应决定图遍历策略,在 GraphRAG-Bench 上用更少的算力拿到收益。

三篇论文方向不同,但共识一致:全量建图不应该是默认动作。

更有杀伤力的是 9 月 29 日一篇对照实验。它把六种检索方法放在科学问答上正面对比:稠密检索、查询改写、交叉编码器重排、多查询融合、agentic 工具调用、ColBERTv2 后期交互。结果朴素得近乎尴尬——简单的重排和后期交互,打败了更复杂的 agentic 检索和融合方法。另一项临床笔记研究里,MedCPT 重排把 Hit@10 从 46.6% 提到 60.6%,靠的也只是"把重排做对"这一件事。

当然,这不意味着图没用。Neo4j 9 月下旬引用的研究显示,复杂问题上 GraphRAG 的正确率 65.3%,vector RAG 只有 28.9%,真实性高约 80%——图遍历在多跳推理上的优势是真实的。Airbnb 内部的 context graph"Everest"也给出生产级数据点:把一个类似服务的搭建时间从 8-9 个月压到 6 周。图的收益真实存在,只是它收敛的场景比宣传里说的窄:高价值的多跳查询,而不是全库默认。

真正的问题:检索选择回到了工程经济学

把这些信号放在一起,GraphRAG 的行业叙事正在经历一次静默的重定价:从"要做企业知识库就该上图"的默认答案,变成一个需要按场景辩护的选择。

辩护的清单现在有三项。第一是收益账:你的查询里到底有多少比例是真多跳?如果多数是单跳事实查询,朴素向量检索加重排大概率够用,建图的成本永远收不回来。第二是维护账:图的摘要、层级、分数都是派生物,源数据每次更新都要重建,这笔持续开销经常在建图决策时被低估。第三是现在新加的安全账:图结构本身成了攻击面,而它的完整性校验连成熟的工具链都还没有。上下文工程方向的优化研究显示,精简的文本和图表示能把 token 消耗压低 19-53%,但省 token 的前提是你先为"用哪部分图"付过设计成本。

还有一条更根本的路线在分流:MIT 研究者 Alex Zhang 在 Latent Space 的访谈里主张,对某些长文档 agent 任务,连向量检索都不是正确的原语——让 harness 把上下文卸载到持久的文件系统环境里,由子 agent 递归查询。这条路是否成立还有争议,但它和降本论文们指向同一个方向:检索架构没有万能默认值,每个选择背后都是成本、延迟、质量和风险的四角权衡。

Hop-Decayed Influence 的价值不在攻击本身——0.016% 的篡改在真实世界里需要先拿到管道访问权,门槛不低——而在于它给所有刚把 GraphRAG 写进架构文档的团队提了一个没人问过的问题:你的图,防的是"查询被污染",还是"图谱本身被污染"?降本论文们不会替你回答这个。

参考来源

• AIB Vote,《GraphRAG Cost Research Raises Security Concerns》(2026-10-05 汇总):https://www.aib.vote/en/news/graphrag-efficiency-security-retrieval-research
• DEV Community(felipe0liveira),《Cheaper Graphs, Bigger Risks: GraphRAG's Efficiency Push Meets Its First Security Scare》(2026-10-07):https://dev.to/felipe0liveira/cheaper-graphs-bigger-risks-graphragsefficiency-push-meets-its-first-security-scare-2e1e
• The Next Gen Tech Insider,《Enterprises Shift Toward GraphRAG and Agentic Architectures》(2026-10-03):https://thenextgentechinsider.com/pulse/enterprises-shift-toward-graphrag-and-agentic-architectures-for-advanced-ai-reasoning
• 论文:Hop-Decayed Influence(2026-10-01)、MatRAG(2026-10-01)、LiteRAG(2026-09-09)、MOSAIC(2026-09-10),数字均为作者自报,见上述汇总引用
• Latent Space,《Academia is for Ambition — Alex Zhang, MIT》(2026-10-02),RLM 与递归检索路线访谈
• Neo4j 官方博客(2026-09-23)引用之 GraphRAG vs Vector RAG 对照研究