목차

• 문제 정의
• 핵심 아이디어
• 주요 기능
• 아키텍처
• 설치
• 사용 방법
• 성능
• 설정
• 한계 및 로드맵
• 라이선스
• Wiki

문제 정의

RAG 파이프라인에서 표가 포함된 PDF는 정답률이 유독 낮다. 원인은 파싱이 아니라 청킹이다.

표+설명 문단이 결합돼야만 풀리는 질문 536개 중, Docling HybridChunker 단독으로 정답을 맞춘 건 단 5개(EM 0.9%)였다.

Docling은 표와 캡션을 정확히 인식하고 연결까지 하지만(table.captions), 청킹 단계에서 이 연결이 다시 끊어진다.

flowchart LR
    subgraph HC["Docling HybridChunker"]
        direction TB
        C1["캡션<br/>'Table 3: 지역별 매출'"]
        C2["표 데이터<br/>지역 · Q1 · Q2 ..."]
        C3["각주<br/>'(단위: 백만 달러)'"]
        C4["설명 단락<br/>'서울은 신규 지점 2곳 개점 영향으로...'"]
    end
    EU["Evidence Chunker<br/>캡션 + 표 데이터 + 각주 + 설명<br/><b>하나의 검색 단위로 통합</b>"]

    C1 -.-> EU
    C2 -.-> EU
    C3 -.-> EU
    C4 -.-> EU

    style HC fill:transparent,stroke:transparent,stroke-width:1.5px,color:#2E3440
    style C1 fill:#ECEFF4,stroke:#D08770,stroke-width:1px,color:#2E3440
    style C2 fill:#ECEFF4,stroke:#D08770,stroke-width:1px,color:#2E3440
    style C3 fill:#ECEFF4,stroke:#D08770,stroke-width:1px,color:#2E3440
    style C4 fill:#ECEFF4,stroke:#D08770,stroke-width:1px,color:#2E3440
    style EU fill:#88C0D0,stroke:#5E81AC,stroke-width:2.5px,color:#2E3440

Docling HybridChunker는, 표 숫자와 설명 단락이 함께 있어야 풀리는 질문이 들어오면, 캡션·표·설명이 서로 다른 청크에 흩어져 있어 하나의 청크만으로는 답을 구성할 수 없다는 구조적 문제가 있다.

이에, Evidence Chunker는 같은 표의 캡션+숫자+각주+설명을 한 청크(EU)로 묶어 반환한다. Docling의 강력한 기능(파싱, 레이아웃 분석, 캡션-표 연결)은 사용하되, Docling만으로는 해결되지 않는 문제(청킹 단계에서 캡션·표·문맥이 다시 갈라지는 문제)를 해결한다.

Evidence Chunker는 같은 536문항에서 baseline 대비 정답을 188개까지 끌어올린다(EM 35.1%, +34.2pp). 자세한 유형별·대조군 수치는 Benchmark 참고.

핵심 아이디어

"Evidence Unit"이라는 용어와 "파싱 요소를 개별 청크가 아닌 의미적으로 완결된 단위로 묶는다"는 상위 아이디어는 Han (2026), Evidence Units: Ontology-Grounded Document Organization for Parser-Independent Retrieval에서 가져왔다. 논문의 파이프라인 전체를 구현한 것이 아니라, 그 상위 개념을 Docling 한 파서에 한정하고 간단하게 재구성하였다.

Docling의 DoclingDocument를 입력받아, 이미 연결된 captions 참조와 prov[0].bbox를 활용해 표 하나당 Evidence Unit 하나를 구성한다.

1. 캡션↔표 연결: captions 참조 우선, 실패하면 bbox 거리 → 인접 페이지 → 병합 헤더 순으로 fallback
2. 인접 설명 단락 부착: bbox 거리 기준으로 표 위/아래 단락을 EU에 포함
3. 큰 표 분할: 토큰 한도(기본 512)를 넘는 표는 헤더+캡션을 반복 삽입하며 행 단위로 분할

주요 기능

아키텍처

flowchart LR
    PDF([PDF]) --> Docling[Docling]
    Docling --> Parser[Parser]
    Parser --> Chunker["EvidenceChunker"]
    Chunker --> Split[Split]
    Split --> Export[Export]
    Export --> RAG([RAG])

    %% GitHub 호환용 Nord Deep 스타일 지정
    style PDF fill:#EBCB8B,stroke:#D08770,stroke-width:1.5px,color:#2E3440
    style Docling fill:#E5E9F0,stroke:#8FBCBB,stroke-width:1.5px,color:#3B4252
    style Parser fill:#D8DEE9,stroke:#4C566A,stroke-width:1.5px,color:#2E3440
    style Chunker fill:#88C0D0,stroke:#5E81AC,stroke-width:2.5px,color:#2E3440
    style Split fill:#A3BE8C,stroke:#4C566A,stroke-width:1.5px,color:#2E3440
    style Export fill:#B48EAD,stroke:#4C566A,stroke-width:1.5px,color:#2E3440
    style RAG fill:#EBCB8B,stroke:#D08770,stroke-width:1.5px,color:#2E3440

모듈별 역할과 데이터 흐름은 Architecture 문서에서 더 자세히 볼 수 있다.

설치

git clone https://github.com/EvidenceChunker/Evidence-Chunker
cd Evidence-Chunker
pip install -e ".[langchain]"

사용 방법

Evidence Unit 생성

from evidence_chunker import EvidenceChunker

chunker = EvidenceChunker()
eus = chunker.chunk("paper.pdf")  # List[EvidenceUnit] (표만)

for eu in eus:
    print(eu.caption_text, "->", len(eu.text), "chars")

LangChain 벡터스토어에 연결

from evidence_chunker.export.langchain import EvidenceRetriever
from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_huggingface import HuggingFaceEmbeddings

# retrieval_text(캡션+문맥+표 문장, table_html 제외)로 임베딩
docs = [Document(page_content=eu.retrieval_text, metadata=eu.metadata) for eu in eus]

vectorstore = InMemoryVectorStore.from_documents(docs, HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2"))
retriever = EvidenceRetriever(vectorstore, k=5)  # max-pool dedupe 기본 적용

export.langchain.to_langchain()을 쓰면 편의상 page_content=eu.text(HTML 포함)가 기본값으로 들어간다. 검색 정확도를 최대화하려면 위 예제처럼 eu.retrieval_text를 직접 쓰는 걸 권장. 자세한 이유는 API Reference 참고.

표+본문을 합친 전체 코퍼스가 필요한 경우

chunks = chunker.build_corpus("paper.pdf")  # EU(표) + TextChunk(일반 본문)

더 많은 예제는 API Reference 참고.

성능

90개 PDF, 2725문항 기준 (baseline: Docling HybridChunker 단독):

context_dependent(표+설명 문단이 결합돼야만 풀리는 질문 유형, 이 프로젝트가 해결하려는 핵심 케이스)는 baseline이 사실상 전혀 풀지 못하지만(EM 0.009) Evidence Chunker는 0.351까지 향상(+34.1pp).

유형별 성능 및 대조군(청크 크기 확대·행분할·semantic chunker) 비교 등은 Benchmark, 파라미터 스윕(bbox/sim_threshold) 등 전체 실험 과정은 Experiments 참고.

설정

chunker = EvidenceChunker(bbox_threshold=300.0, sim_threshold=0.0)  # 기본값

자세한 근거와 스윕 실험 결과는 Configuration 참고.

한계 및 로드맵

• Recall@10이 max-pool dedupe에도 불구하고 baseline 대비 근소하게 낮음
  • 분할 조각 간 dedup 미적용이 원인
• 문서 내 구조적으로 유사한 표가 여러 개 있을 때 검색 단계에서 혼동 발생
• bbox_threshold 파라미터를 적응형 임계값으로 확장 검토

전체 목록과 각 항목의 원인 및 실측 근거, 진행 상황은 GitHub Issues에서 공개 추적한다.

라이선스

Apache License 2.0.

Wiki

더 자세한 문서는 Wiki Home에서 볼 수 있습니다.