现代RAG流水线早已不是「检索再生成」那么简单：嵌入、分块、检索、重排序、查询增强、上下文压缩、智能体式校验，常常叠在同一条链路里。问题在于，这些技巧几乎总是被单独评测。一篇关于RAG组合性的工作直接问三件事：单独测到的收益，组合后还在不在？检索质量与答案忠实度是否偏好同一套设计？小语料上的结论，放到大规模语料还成不成立？作者预先声明三条假设，并开源框架LASAGNA，在八个基准、五千到二十万篇文档上测试了450组配置。
单独强，不等于能叠加
第一项发现说的是组合性。不同阶段里单独很强的技巧，合在一起未必还能叠加。具体数字是：三条检索技巧按各自增益相加，预测提升47%；一起用只有17%。隔离评测因此不能可靠预测真实流水线表现。作者主张新技巧应放到完整周边栈里再测，并提供LASAGNA降低实验成本。
两条指标会打架，规模一大最优解还会换
第二项发现针对优化目标：组件收益在检索质量与答案忠实度上的叠加方式不同，优化其中一个有可能损害另一个。检索更好，不等于回答更忠实。第三项发现针对语料规模：最优组合会随语料增大而改变，小语料上的赢家放大后未必仍是赢家。从五千篇到二十万篇，结论并不能直接外推。三者合在一起，指向同一条工程含义：只在小语料、单模块、单一指标上刷分，很容易选错栈。
我的判断
这项工作的价值，不在再报一个最强数字，而在把组合性和规模外推做成可复现的实验问题。450组配置、八个基准、从五千到二十万篇文档，足够支撑「别再只做单点评测」这一主张。适用边界也很清楚：摘要没有列出那三条检索技巧、八个基准名称和组件设定，也未说明17%相对何种基线，不能据此直接选型。假设是否全部成立、算力开销、忠实度如何度量，摘要均未交代。更务实的读法是：下一篇宣称新模块有提升的论文，先看它有没有和重排序、压缩、校验一起测过。