우리는 네 개의 영어 도메인에 걸쳐 Task A (Retrieval)에 참여하는 SemEval-2026 Task 8 (MTRAGEval)을 위한 시스템을 설명합니다. 우리의 접근 방식은 다음과 같은 3단계 파이프라인을 채택합니다: (1) 문맥 의존적인 후속 질문을 독립적인 쿼리로 변환하는 LoRA로 미세 조정된 (fine-tuned) Qwen 2.5 7B 모델을 통한 쿼리 재작성 (query rewriting), (2) Reciprocal Rank Fusion을 통해 결합된 BM25 및 밀집 검색 (dense retrieval) 하이브리드 방식, (3) BGE-reranker-v2-m3를 이용한 Cross-Encoder 재순위화 (reranking). 공식 테스트 세트에서 이 시스템은 nDCG@5 0.531를 달성하여, 참여한 38개 시스템 중 8위를 기록했으며 주최측 베이스라인 (baseline)보다 10.7% 높은 성능을 보였습니다. 개발 과정에서의 비교 분석 결과, 기술 도메인은 결정론적 디코딩 (deterministic decoding)에서 이점을 얻고 일반 도메인은 제어된 무작위성 (controlled randomness)에서 이점을 얻는 쿼리 생성을 위한 도메인별 온도 조절 (temperature tuning)이 일관된 성능 향상을 제공하는 반면, 도메인 인지 프롬프팅 (domain-aware prompting)이나 다중 쿼리 확장 (multi-query expansion)과 같은 더 복잡한 전략들은 오히려 성능을 저하시키는 것으로 나타났습니다.