在需要时使用图：高效且自适应地将检索增强生成与图结构结合

大型语言模型（LLMs）在知识密集型任务中常因幻觉和过时参数知识而表现不佳。尽管检索增强生成（RAG）通过整合外部语料库来解决这一问题，但其效果受到非结构化领域文档中碎片化信息的限制。图增强RAG（GraphRAG）通过结构化知识图谱增强了上下文推理能力，但在实际场景中却表现出显著的准确性下降和不可接受的延迟，尽管在复杂查询上有所提升。我们发现，GraphRAG对所有查询（无论复杂度如何）的刚性应用是根本原因。为了解决这一问题，我们提出了一种高效且自适应的GraphRAG框架EA-GraphRAG，通过语法感知的复杂度分析动态集成RAG和GraphRAG范式。我们的方法包括：(i) 一个句法特征构造器，解析每个查询并提取一组结构特征；(ii) 一个轻量级复杂度评分器，将这些特征映射到连续的复杂度评分；以及(iii) 一种基于评分的路由策略，对低评分查询选择密集型RAG，对高评分查询调用基于图的检索，并对边界情况应用复杂度感知的倒数排名融合。在包含两个单跳和两个多跳问答基准的全面基准测试中，我们的EA-GraphRAG显著提高了准确性，减少了延迟，并在处理混合场景（包含简单和复杂查询）方面达到了最先进的性能。