我们提出了RAGthoven，这是我们在SemEval-2026任务1（MWAHAHA）子任务A（英语、西班牙语和中文的多语种受限幽默生成）中的系统。RAGthoven将创造性文本生成分解为一个多阶段的大型语言模型（LLM）管道，包括规划者（Planner）、最佳作家（Best-of-N Writer）、自我批评的反思者（Reflector）和评判者（Judge）。该系统基于计算幽默理论（良性违反理论和基于脚本的幽默语义理论），并经过十次实验的优化。在我们的最终配置中，我们通过从策划的笑话语料库中进行检索增强生成（RAG），来增强规划者，利用多样的笑话机制进行生成。我们还评估了两种代理变体——ReAct风格的顺序工具调用（Exp09）和自主多分支编排（Exp10），这两者都展示了相同的四个阶段，并配备了确定性的约束审核检查器（ConstraintAudit）。在对保留的12个英语样本进行的实验中，尽管代理变体的工具调用预算显著更高，但我们认为它们的输出并不优于非代理管道。RAGthoven在所有三种语言中与Gemini 2.5 Flash基线共享第一名，在西班牙语中领先基线42个原始Elo分（1182对1140），而在英语（1045对1081）和中文（1045对1053）中，基线在同一统计平局中保持更高的原始评分。这些结果表明，一旦强大的前沿模型在其中，复杂的多阶段提示工程和代理支撑的语言依赖性收益递减现象显著。
博主点评： RAGthoven的多阶段管道展示了幽默生成领域的潜力，尽管在强模型的背景下，复杂的架构似乎并未带来明显的优势。这提示我们在设计生成系统时，需平衡复杂性与实际效果，尤其在多语言环境中。理解幽默的计算理论同样是提升生成质量的关键。