速评：三个检索技术各自单独测，预测能加 47%；塞进同一条管线一起跑，只剩 17%。
问题不在哪个技术不够硬。是“提升 X%”这个计价单位本身通胀了。
10 月 21 日挂上 arXiv 的《Retrieval Augmented Generation Compositionality》，三个作者，450 种配置、8 个基准，语料从 5 千篇文档一路铺到 20 万篇。主分类 cs.CL，交叉挂 cs.AI，DOI 那栏标着 DataCite 待注册。这行元数据先记着，后面有用。
这套论文生产线的流程我见过太多轮。RAG 火了之后标准姿势是：挑一个 baseline，加一个模块——重排、查询改写、上下文压缩、agent 式验证——然后在自己那个测试集上报一个提升。审稿人看的是“比 baseline 强”，不是“把这东西放别的东西旁边还强不强”。两年下来，一堆 +8%、+12%、+15% 攒在引用列表里，从来没人问过它们能不能相加。
这篇论文问的就是这一句。
47 变 17 这个落差，机制上我的猜测很朴素：这几种检索技术其实在干同一件事，都在往 context window 里塞“更对”的那几段，塞到某个点就饱和了，再往上加只是重复劳动外加噪音。作者没这么解释，这是我的判断，从 450 组配置的分布反推的——附录 68 张表我并没有看完，所以这话先撂在这儿，算个待验证的猜测。
450 这个数字本身也该被问一句。组合空间那么大，47 和 17 是两个孤立的点，还是两条曲线上的两个采样？9 页正文装 450 组实验，剩下 94 页全是图和表——这个材料结构说明作者自己也清楚正文装不下。这不是挑刺，是这套实验的透明度决定了别人能不能复现那个 17。
第二个发现比第一个更值得说：检索质量和答案忠实度的增益不按同一个方向叠加，优化其中一个经常坑另一个。做过 RAG 的都碰过那个瞬间——检索里多塞两段原文进去，模型开始整句照抄，忠实度指标上去了，答案读起来像复印件。这个取舍在工程现场是日常，摆到论文摘要里倒确实是头一回。学界把它量化是好事，但也别当新大陆，这是做产品的人交了两年学费早就知道的事。
第三个发现是三条里对行业最不客气的一条：语料一大，最优组合就换人。5 千篇文档上选出来的黄金配置，铺到 20 万篇就不灵了。跟榜单是一个道理，只不过保质期从按时间算改成按数据规模算。那些拿玩具语料刷出 SOTA 再写进产品介绍页的，这条就是冲着你们来的。
说远了，拉回来。
论文的姿态很正：公开呼吁新 RAG 技术放回完整栈里测，还开源了 LASAGNA，说要降这事的门槛。我顺手翻了下正文，项目页和代码链接那两处，写的是“this https URL”，占位符没填。摘要页上资源入口倒是挂着。这不是抠字眼——它恰好说明完整栈评测的门槛从来不在框架，在习惯。论文写完那一刻，自己的链接都还没补完。
我上个月还夸过某家把几个模块打包一起卖的做法，说那叫工程整合，现在看这个夸法得打折。人是矛盾的，评论员也是。
这里立个 flag：接下来半年，会有一批 RAG 论文在实验部分加一段“我们也验证了组合效应”，大部分一句话带过，附一张表，然后继续报单模块的提升。真有人把自家那个 +47% 的旧结论改回 +17%，这篇论文才算真赢了一次。
这个 flag，我等着回来收。