检索增强生成（RAG）的组合性：组件增益能否在完整管线中叠加 Retrieval Augmented Generation Compositionality
RAG组件孤立增益难叠加：检索次可加、忠实度近可加，最优组合随语料规模翻转。
前置知识
RAG（检索增强生成）
让大语言模型在回答前先从外部语料检索相关内容的系统范式。一条现代 RAG 管线远不止"向量库+LLM"：它包含嵌入模型、分块策略（固定/语义/层级）、索引期增强（如 RAPTOR 摘要、上下文前缀、GraphRAG 知识图谱）、检索方式（稠密/混合 BM25/SPLADE）、查询改写（HyDE、RAG-Fusion、分解）、重排（交叉编码器、MMR）、上下文压缩（LLMLingua）以及代理式验证循环（CRAG、Self-RAG、Speculative-RAG）等多个阶段。
本文的全部问题就是：这些阶段各自声称的增益，在同时部署到一条管线里时是否还成立。不熟悉各阶段做什么，就无法理解交互效应为何产生。
NDCG@10
归一化折损累计增益，信息检索最常用的排序质量指标：按相关度对返回的前 10 个结果加权，位置越靠后折扣越大（对数折损），再除以理想排序的得分做归一化，取值 0–1。本文沿用 BEIR 约定，先按父文档 ID 去重再打分，使指标落在文档级相关性的粒度上。
它是本文"检索轨道"的核心指标。所有关于组合损失（+46.6% 预测 vs +17.2% 实现）、规模退化（对数线性衰减）和排名翻转（25K 交叉点）的结论都用 NDCG@10 度量。
RAGAS 忠实度（faithfulness）
用 LLM 充当裁判（本文用 GPT-5.1，RAGAS v0.4 框架）评估生成答案中的每个论断是否都能被检索到的上下文支撑，衡量答案"是否有据可依"而非"是否正确"。与检索指标不同，它评测的是生成端质量。论文用双人标注和多个裁判（Claude Sonnet 4.5、Claude Opus 4.7，Pearson $r=0.44$、$\kappa=0.35$）验证了该指标的排序可靠性，但发现绝对值依赖裁判校准且部分被答案长度驱动。
忠实度是本文的第二条评测轨道。论文最重要的发现之一就是检索质量与忠实度几乎不相关（$r=-0.01$），驱动两个指标的管线阶段也几乎不相交——不理解这个指标就无法理解这条双轨道设计。
析因实验设计与 D-optimal 设计
析因设计（factorial design）同时变动多个实验因子以估计主效应和交互效应，源自统计学实验设计（DOE）。全因子组合数随因子数指数爆炸（本文 8 因子共 30,720 个组合），D-optimal 分式析因用 Fedorov 坐标交换算法从候选集中挑出少数运行，使设计矩阵信息量最大化，保证所有主效应和指定的两两交互项可估计（identifiable）。本文用 242 个运行覆盖 232 个参数（1 截距 + 22 主效应 + 209 两两交互）。
这是本文方法论的核心工具。不用析因设计就无法在预算内（$5,200）测出 28 个交互效应，而"组件增益是否可加"恰恰是交互效应问题。
效应量 $\eta^2$ 与交互效应
$\eta^2$（eta squared）是方差分析中的效应量，表示某因子（或交互项）解释的因变量方差比例，取值越大关联越强。交互效应指一个因子的作用大小依赖于另一个因子的取值——例如重排器只在弱嵌入模型上有帮助。由于 D-optimal 设计不平衡，$\eta^2$ 值会共享方差、不可相加，只能作描述性比较；论文还区分了未经校正的筛选值与经 Bonferroni / Benjamini–Hochberg FDR 校正后的确认值。
论文的关键量化证据都以此呈现：检索由嵌入（$\eta^2=0.164$）、增强（$\eta^2=0.144$）主导，忠实度由查询增强（$\eta^2=0.224$）、代理门控（$\eta^2=0.217$）主导。看不懂 $\eta^2$ 就看不懂核心图表 Figure 3。
Pareto 前沿与超体积指标（HV）
多目标优化中，若一个解在所有目标上都不劣于另一个解则支配它；不被任何解支配的解集合构成 Pareto 前沿。超体积（hypervolume）指标衡量一组解覆盖的目标空间体积：本文定义为 $HV(L_{\mathrm{ref}}) = \mathrm{NDCG@10} \times \mathrm{Faith} \times \max(0, 1 - \mathrm{latency}/L_{\mathrm{ref}})$，即在固定响应时间参考 $L_{\mathrm{ref}}=30\mathrm{s}$ 下联合权衡检索质量、忠实度和延迟。
本文的 H2 假设检验和四档案（SPEED/STANDARD/BALANCED/MAX-RELIABLE）对比全部围绕这个联合包络展开：没有档案在所有指标上获胜，HV 用来回答"哪个折中点整体最划算"。
代理式质量门控（CRAG / Self-RAG / Speculative-RAG）
在答案生成前后加入的控制循环：CRAG 对检索结果做评估并触发纠错性重检索；Self-RAG 让模型用反思标记自我批判检索与生成；Speculative-RAG 先用小模型起草多个候选答案再用大模型验证挑选。它们位于管线最末端，代表"agentic"路线，通常以数倍延迟换取忠实度提升（本文测得 3 次迭代 +8.2 秒延迟、+0.05 忠实度、$-0.015$ NDCG@10）。
代理门控是忠实度轨道最强的两个驱动因子之一（$\eta^2=0.217$），且与查询增强存在显著的交互（Speculative-RAG 下分解高出加性预测 4.7 分），是"忠实度增益近可加"结论的关键例证。
研究动机
现代 RAG 管线横跨八个设计维度——嵌入、分块、索引期增强、检索、查询增强、重排、上下文压缩、代理式验证——但绝大多数新技术（HyDE、RAPTOR、GraphRAG、CRAG、LLMLingua 等）都在隔离条件下评测：一次只换一个组件、其余用最简基线，然后把单组件增益当作推荐配置发表。文献中的消融几乎全部跑在 5K–50K 文档的小语料和单一基准上，而真实 RAG 应用面对的语料往往大一个数量级。这种"一次改一因子"（OFAT）的方法论隐含三个未经检验的假设：孤立测得的增益在完整管线中依然成立；同一套设计选择能同时优化检索质量（NDCG@10）和答案忠实度（RAGAS）这两个通常分开汇报的目标；小语料上的结论可以外推到目标规模。已有工作难以回答这些问题：配置搜索与启发式搜索（AutoRAG-HP 等）能找到强配置但不估计交互效应；BERGEN、FlashRAG 等基准库支持组合但不强制阶段隔离，测得的差异无法干净归因到被换的组件。
本文的目标是本文的目标是把"RAG 组件如何组合"从轶事观察变成可量化、可预注册的统计科学。作者预先声明三个假设：H1——组件增益通常不可加，孤立消融的增益在组合后不能假定保留（操作化为：两两交互是否解释至少 20% 的忠实度方差）；H2——简单管线在多数设置下接近最优，复杂配置趋向专门化（操作化为：中间配置是否扫过更大的质量/延迟/成本超体积）；H3——组合排名随语料规模漂移，5K 语料上的结论在 200K 上不成立。为此构建开源框架 LASAGNA，在 8 个维度、8 个基准、5K–200K 文档语料上执行 167 个 D-optimal 析因配置加 138 个非析因消融配置（合计约 450 个配置、358,215 次查询评测），并蒸馏出 SPEED、STANDARD、BALANCED、MAX-RELIABLE 四个校准到成本、延迟、性能不同操作点的部署档案。
与已有工作不同的是，本文的独特切入角度有三层。方法论上，它是首个把"组合性"本身作为研究对象的 RAG 研究：用 D-optimal 分式析因（Fedorov 坐标交换）把 30,720 个全因子组合压缩到 242 个计划运行（实际执行 167 个），使全部 28 个两两交互可估计，并用"孤立增益之和 vs 组合实现增益"的直接对比把组合损失变成一个可测量的量（瀑布图分解），而此前的工作要么贪心搜索只报获胜配置，要么用网格搜索不控制混叠。实验设计上，它把八个基准统一进单一多域语料（5 个 BEIR 检索集 + 3 个 QA 集合并成一个向量库），制造跨域干扰压力，弥补 BEIR 默认的每基准独立评测对真实异构知识库的低估；同时强制阶段隔离（类型化抽象基类 + 行为测试），使交互估计可归因。工程上，整套研究只花约 5,200 美元和 310 小时，比全因子的约 40,000 GPU 时、600,000 美元估算低两个数量级，证明了这种严谨实验在普通预算下可行。
核心方法
直觉上，本文把一条 RAG 管线当作一个有八个因子的黑盒实验系统，用工业/农业实验设计的思路回答"哪个因子重要、因子之间如何互作"。技术上分三步走。第一步是构建 LASAGNA 框架：九个处理阶段（文档处理、分块、索引期增强、嵌入与索引、查询增强、检索、重排、上下文压缩、带可选代理验证的答案生成）各自坐在类型化抽象基类之后，八个组件类型（embedder、chunker、reranker、retriever、document_processor、query_enhancer、agentic_pipeline、generator）以 dataclass 类型契约定界输入输出，五个自动化隔离测试保证切换一个组件不会悄悄改变另一个阶段的行为；新组件用一行 @registry.register 装饰器注册即可在 YAML 配置中被发现。第二步是统计实验：八个维度（嵌入 4 档、分块 4 档、增强 4 档、检索 3 档、查询增强 5 档、重排 4 档、压缩 2 档、代理门控 4 档）构成 30,720 个全因子组合，用 D-optimal 抽出 242 个运行以估计 232 个参数，实际执行 167 个（63 个 GraphRAG 运行因孤立消融显示无 NDCG@10 收益但延迟约 2 倍而被裁掉，12 个超时失败）。第三步是评测：每个配置在统一多域语料上跑 149 个分层查询，检索轨道用 BEIR qrels 算 NDCG@10，生成轨道由 GPT-5.1 生成答案并用 RAGAS 判忠实度，另加 138 个消融配置、24 个针对性实验和 5K–200K 规模扫描。
核心创新是把"孤立评测不可加"从社区口口相传的怀疑变成有三个可量化发现的统计结论，并与已有工作形成三点本质区别。其一，BERGEN、FlashRAG 等库虽支持组合，但不强制阶段隔离，实现差异与算法差异混在一起，无法把测得的差别干净归因到被变的组件；LASAGNA 用固定接口加行为测试把隔离变成框架不变量，附录里的溯源清单（Table 58）记录每个实验的配置血缘。其二，贪心配置搜索只报告获胜设置而不报告产生它的交互结构，假设一变结论就不迁移；本文显式估计 28 个两两交互，用 $\eta^2$ 加 Bonferroni/BH 校正区分真实交互与噪声，并诚实区分"OFAT 汇总读法"与"查询聚类分层混合效应模型"两种推断口径（ICC=0.284）。其三是双轨道评测的洞察：检索质量与答案忠实度由几乎不相交的管线阶段驱动，匹配配置下相关系数仅 $r=-0.01$，因此"选一个指标优化"必然牺牲另一个——这个结构性发现只有同时测量两个目标才能暴露。再加上把语料规模作为实验轴（5K–200K，六个测量点加对数线性拟合和 Kendall $\tau$ 排名翻转检验），把"小基准能否外推"变成可检验命题。
方法步骤详情
完整流程如下。第一步，构建统一语料：把 NFCorpus、FiQA、SciFact、ArguAna、HotpotQA 五个 BEIR 检索集与 SQuAD v2、MuSiQue、HotpotQA 三个 QA 集合并为一个跨域向量库；检索轨道 5,132 个文档、93 个查询，生成轨道同一语料加金段落共 5,566 个文档、56 个查询，每配置 149 个分层查询（60/20/20 分层切分）。第二步，声明设计：八维度全因子 30,720 个组合太大（估算约 40,000 GPU 时、600,000 美元），用 Fedorov 坐标交换生成 242 运行的 D-optimal 子集（effect coding 保证主效应正交；设计矩阵 SHA-256 哈希在执行前固定），裁剪后执行 167 个；配套 138 个非析因消融配置覆盖重排器清单、嵌入清单、20 种分块器扫描、查询增强、代理迭代数等 24 个实验。第三步，端到端执行：所有配置用同一生成器 GPT-5.1 生成答案，RAGAS v0.4 由 GPT-5.1 判忠实度与答案相关性，NDCG@10 按父文档去重后计算，同时记录 p50/p95 延迟与每查询成本；规模扫描在 5K 基础上按比例注入 15K/25K/50K/100K/200K 同五域干扰文档（经 n=100 审计：0% 假阴性、9% 部分相关）。第四步，统计分析：计算主效应 $\eta^2$ 与 28 个两两交互（Bonferroni 与 BH FDR 校正），对查询聚类做分层混合效应推断，用配对 bootstrap 置信区间和 Wilcoxon 符号秩检验支撑头条数字；多目标上计算 $HV(L_{\mathrm{ref}})=\mathrm{NDCG@10}\times\mathrm{Faith}\times\max(0,1-\mathrm{latency}/L_{\mathrm{ref}})$（$L_{\mathrm{ref}}=30\mathrm{s}$）。第五步，蒸馏与验证：从析因与消融中提炼 SPEED/STANDARD/BALANCED/MAX-RELIABLE 四个档案，在留出的 SQuAD v2/MuSiQue/HotpotQA 混合上以 3 个种子做 Pareto 与 HV 对比，用对数线性拟合和 Kendall $\tau$ 检验规模扫描中的排名翻转。
技术新颖性
本文不提出任何新的 RAG 组件，其新颖性全在评测科学层面。第一，组合惩罚被首次作为一等公民指标：三强单组件检索改进（交叉编码器重排 $+0.084$、禁用 MMR $+0.046$、文档感知前缀 $+0.062$）孤立之和预测 $+46.6\%$，组合后只实现 $+17.2\%$，17 个测试组合的缺口从 7% 到 72%（中位 41%），并把功能重叠（重排已提供禁用 MMR 的大部分过滤收益）作为机制解释。第二，指标与阶段的分工地图：检索由嵌入（$\eta^2=0.164$）、增强（$\eta^2=0.144$）、重排（$\eta^2=0.090$）主导，忠实度由查询增强（$\eta^2=0.224$）与代理门控（$\eta^2=0.217$）主导，两目标相关系数 $r=-0.01$——这是此前"检索指标和生成指标分开汇报"惯例从未揭示的结构性事实。第三，忠实度与检索呈现相反的可加性：忠实度边际和预测 $+28\%$、组合实现 $+32\%$（近似可加），与检索的 63–72% 缺口形成镜像，说明组合性结论必须按目标指标分别陈述。第四，规模依赖的排名翻转：STANDARD 在 5K/15K 领先，BALANCED 从 25K 起领先并在 200K 时高出 13.7%（$p=0.003$），而忠实度不随语料变大而下降（50K 峰值后回升）。第五，预算民主化：两个数量级的预算压缩（$5,200 vs 600,000 美元）使析因级别的严谨性对普通实验室可行。
实验结果
论文的实验结果可逐条拆解。H1（可加性）：检索增益次可加——在基线 NDCG@10 $=0.412$ 上（该基线并不弱：BM25-only 为 0.403，推荐的现成稠密编码器为 0.436），三个最强单组件之和预测 $+46.6\%$，BALANCED 组合后只实现 $+17.2\%$（至 0.483），缺口 63%；把五个正收益组件全算上缺口升至 72%；17 个组合的缺口范围 7%–72%、中位 41%。忠实度则近似可加：参考配置 0.692，边际效应之和预测 0.886（$+28\%$），最佳完整配置实测 0.911（$+32\%$）。论文预声明的 H1 检验（交互解释至少 20% 忠实度方差）未达标——恰恰因为忠实度是近可加的那一侧；聚焦的 QueryAug×AgenticGate 交互在分层推断下 $\chi^2(4)=4.27$、$p=0.371$（OFAT 口径 $\eta^2=0.201$、$p=0.018$），确认为真实但远低于 20% 门槛。指标分离：检索轨道嵌入 $\eta^2=0.164$、增强 $\eta^2=0.144$、重排 $\eta^2=0.090$，压缩与代理门控可忽略（$\eta^2<0.01$）；忠实度轨道查询增强 $\eta^2=0.224$、代理门控 $\eta^2=0.217$，嵌入与增强可忽略（$\eta^2<0.02$）；两指标 pooled Pearson $r=-0.01$（$p=0.91$），5% 配置高忠实低检索、6% 反之。存活双校正的检索交互只有嵌入×增强（$\eta^2=0.102$）与嵌入×重排（$\eta^2=0.110$）。H2（Pareto）：四档案无一全能——STANDARD 以 NDCG@10 0.860、忠实度 0.739、延迟 5.3s 拿下最高 $HV(30\mathrm{s})=0.523$，BALANCED 0.840/0.911/12.3s 得 0.453，MAX-RELIABLE 0.804/0.916/14.2s 得 0.389，SPEED 0.541/0.524/0.7s 得 0.277；在强检索栈上再叠代理循环只换来可忽略的忠实度收益却损害检索与延迟；100K–200K 语料上轻量管线以 10–20 倍更低延迟保持相近质量。H3（规模）：SPEED 与 STANDARD 的 NDCG@10 随语料对数线性退化，BALANCED 与 MAX-RELIABLE 统计平坦，排名在 15K–25K 间交叉，200K 时 BALANCED 高出 STANDARD 13.7%（$p=0.003$）；忠实度不随规模下降，三档案在 50K 见顶、100K 回落、200K 回升。支撑性发现：20 种分块器横跨 0.126 NDCG@10（36% 相对差）；2019 年的 MS-MARCO MiniLM-L6 交叉编码器击败全部四个新重排器；BGE-M3 Matryoshka 截断到 768 维省 25% 存储与搜索成本还提升 2.3%；关闭幻觉/答案质量门反而忠实度最高（门触发细化曾把一个多跳样例的 15 个块删到只剩 1 个）；HyDE 提 3.1% NDCG@10 但首跳延迟翻倍、延迟调整后只剩 0.9%；MMR 平均降低 3.6% 相对 NDCG@10，与常见认知相反。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 检索增益组合（DEFAULT_STANDARD 基线叠加三强组件） | NDCG@10 | +17.2%（0.412 → 0.483，BALANCED 组合管线） | 单组件孤立增益之和预测 +46.6%（≈0.667 水平） | 预测增益仅兑现 37%，组合缺口 63%（五组件口径 72%；17 个组合缺口 7%–72%，中位 41%） |
| 忠实度增益组合（参考配置 → 最佳完整配置） | RAGAS faithfulness（GPT-5.1 判） | 0.911（+32%） | 边际效应之和预测 0.886（+28%，参考配置 0.692） | 近似可加：实现超出加性预测 4 个百分点，与检索侧 63% 缺口形成镜像 |
| 四操作档案端到端对比（SQuAD v2/MuSiQue/HotpotQA 混合，3 seeds） | 联合超体积 HV（30s 延迟参考） | STANDARD 0.523（NDCG@10 0.860 / 忠实度 0.739 / 延迟 5.3s） | BALANCED 0.453（0.840 / 0.911 / 12.3s）、MAX-RELIABLE 0.389（0.804 / 0.916 / 14.2s）、SPEED 0.277（0.541 / 0.524 / 0.7s） | STANDARD 在 30s 参考下综合最优；$L_{\mathrm{ref}}$ 放宽到约 46s 后 BALANCED 反超；BALANCED 比 MAX-RELIABLE 高 4.5% 检索、快 13%、忠实度仅差 0.005 |
| 语料规模扫描中的排名翻转（5K → 200K 文档） | NDCG@10（3 seeds） | BALANCED 在 200K 领先 STANDARD +13.7% 相对（$p=0.003$），且全程统计平坦 | STANDARD 在 5K/15K 领先（0.510 vs 0.504）但呈对数线性退化 | 15K–25K 之间排名交叉；25K/100K 差距方向一致但统计功效不足 |
| 可执行外部基线（统一多域语料） | NDCG@10 / 忠实度 / EM | SOTA_STANDARD 0.860 / 0.739 / 0.163；SOTA_BALANCED 0.840 / 0.911 / 0.132 | BM25-only 0.403 / 0.633 / 0.116；BGE-M3 推荐配置 0.436 / 0.558 / 0.093 | 检索质量约为现成基线的 2 倍，说明析因组合优化空间巨大；忠实度提升尤其显著 |
| 检索质量与答案忠实度的相关性（167/122 配置） | Pooled Pearson $r$ | $r=-0.01$（$p=0.91$），逐基准检验同样接近零 | 若两目标由相同组件驱动应显著正相关 | 5% 配置高忠实低检索、6% 高检索低忠实——证明必须双轨道评测 |
局限与改进
作者承认的局限相当具体：整个评估只用一个构造的英语多域测试床，每实验最多 93 个检索查询、200 个生成查询；没有多语言语料、真实企业/私有数据、跨组织大语料，所有头条结果依赖专有生成器 API（GPT-5.1），未测开源权重模型；忠实度绝对值依赖单一裁判的校准（第三裁判 Claude Opus 4.7 与主裁判一致性仅 Pearson $r=0.44$、$\kappa=0.35$），且原始忠实度部分被答案长度驱动，长度控制后 concise-over-verbose 差距反转；确认性实验 E1 因 GPT-5.1 速率限制只跑了 43 个唯一查询而非预注册的 200 个；组件清单是 2026 年 1 月的快照；规模退化数字是上界（干扰文档审计发现 9% 部分相关，真实退化可能更小）。我自己观察到的局限：第一，检索轨道每域仅 11–21 个查询，这直接解释了为何 25K/100K 的排名差距方向一致却统计不显著，也使许多两两交互在分层推断下失去显著性，读者难以判断哪些交互真实存在；第二，四个操作档案本身是从同一批数据蒸馏出来的，存在选择偏差，留出集只是三个 QA 集的混合，而作者也承认最接近的两个档案排名在更换生成器后不稳定；第三，D-optimal 设计不平衡导致 $\eta^2$ 不可加、只能作描述性筛选，且 242 个运行只有 10 个残差自由度，三次交互与两两项存在 $|r|>0.30$ 的混叠，更高阶组合效应完全未被探索；第四，许多反直觉发现（MMR 有害、2019 年重排器最强、25K 翻转阈值）高度绑定于这五个聚焦域语料，向冗余或异构语料的外推未经验证。
独立分析的弱点
独立分析后我认为有五个值得注意的弱点。其一，统计功效受小查询池制约：93 个检索查询、43–56 个生成查询支撑 232 个参数的模型和 28 个交互检验，导致同一交互在 OFAT 口径（$p=0.018$）与分层推断（$p=0.371$）下结论相反，论文虽给出"分歧时以分层为准"的决策规则，但这实质上把多数交互结论推向了"无法确认"。改进方向：扩查询池、跨基准重用查询做分层 bootstrap，或预先做功效分析确定最小查询数。其二，忠实度评测链路脆弱：对答案 prompt regime、答案长度、裁判选择三重敏感，论文不同表格间的忠实度数值互不可比（需要 Table 26 专门追踪 regime 归属），削弱了"忠实度近可加"这一头条结论的可信度。改进：统一采用长度残差化忠实度或 Bradley–Terry 成对比较作为主指标。其三，结论的时效性风险："禁用 MMR""2019 年 MiniLM-L6 交叉编码器最强""GraphRAG 无收益"都绑定于聚焦域语料和 2026 年 1 月的组件快照，可能反映域匹配而非普遍规律。改进：把清单无关结论（组合惩罚、指标分离）与清单相关结论分层汇报，建立周期性重跑机制。其四，档案蒸馏的循环性：四档案从析因数据中挑出，再在同源数据的子集上验证，新组件或新域出现时排名可能重排。改进：真正的多生成器、多域预注册验证集。其五，规模扫描的干扰文档只来自同样五个 BEIR 域，200K 语料的"稀释"机制与真实企业语料（时效混杂、权限分级、格式异构）不同，13.7% 的翻转幅度不宜直接外推。
未来方向
作者明确号召：新 RAG 技术应当在代表性完整管线、双指标、目标规模下测试，组合性评测应成为报告标准，LASAGNA 就是为降低这类实验门槛而发布的。基于其成果可以延伸的方向包括：探索三阶及更高阶交互——现有设计只保证 28 个两两项可估，三次交互与两两项的 $|r|>0.30$ 混叠未解决，可用更大的 D-optimal 设计或序贯设计；把交互结构图用作配置搜索的先验（用 $\eta^2$ 引导贝叶斯优化，与 AutoRAG-HP 类方法结合，避免从零贪心搜索）；多语言与多模态语料上的组合性（多模态嵌入、图文混排分块是否遵循同样的次可加规律）；开源小生成器上的复测——论文发现管线与生成器部分互替（强生成器对最轻管线帮助最大），在本地部署的 7B 级模型上重跑可检验该效应并大幅降低社区复现成本；1M+ 规模的实测验证（Figure 11 目前只有对数线性外推投影）；把超体积包络扩展到货币维度（$/query$ 已有记录但未进入 HV）；对嵌入×增强、嵌入×重排两个存活交互做受控机制实验以在"表示容量"与"候选集质量"两个假说间裁决；以及在在线 A/B 或真实部署日志中前瞻性验证档案排名——论文附录的历史部署日志（Table 65）只是描述性的。
复现评估
可复现性总体较好且成本透明。LASAGNA 框架代码完全开源于 github.com/dolev31/lasagna，含 53 个内置组件、6 个向量后端（Milvus、Pinecone、Qdrant、Weaviate、pgvector、OpenSearch）、8 个基准适配器、组件抽象基类文档（Table 64）、五个隔离一致性测试和 YAML 工作流示例；新组件注册只需一行装饰器。总算力约 5,200 美元 API 费用、310 墙钟小时、247 GPU 小时、约 358,215 次查询评测，论文按配置报告了成本与延迟以便预算受限者裁剪。设计矩阵、假设与决策规则在执行前内部预声明并做 SHA-256 哈希（哈希值已公开），实验设计、统计阈值、排除标准在附录 A.2 完整复现，且诚实说明未做第三方时间戳预注册（OSF/AsPredicted），故自称 pre-declared 而非 pre-registered。需要向作者索取的工件包括：D-optimal 设计矩阵、逐配置 profile、逐查询原始分数和分析脚本。复现门槛评估：单个配置在 5K 语料上很便宜，主要开销来自 167 析因配置 × 149 查询 × RAGAS 判分的组合，以及 GPT-5.1 生成与裁判调用（若换裁判需注意论文证明的裁判敏感性：绝对忠实度会漂移但排序保持）；主要风险不在算力而在统计功效——严格复现 28 个交互的显著性需要比原文更大的查询池。作者同时明确建议：在其框架上部署自己的语料前，应重新验证四个档案候选。
论文图表
统一多域语料构成图。左侧检索轨道：NFCorpus、FiQA、SciFact、ArguAna、HotpotQA 五个 BEIR 基准合并成 5,132 文档的单一检索池，所有查询都要在跨域干扰下检索；右侧生成轨道：SQuAD v2、HotpotQA、MuSiQue 的 QA 对嵌入同一语料池并加入金段落（共 5,566 文档）保证可答性；规模实验最多注入 45,000 个同五域干扰文档。
解释了实验设计的独特之处：不用 BEIR 默认的每基准独立评测，而是强制跨域干扰压力，这更接近真实生产 RAG 的异构知识库场景，也是绝对数字与文献不可直接比较的原因。