● ARGF는 문서 RAG 시스템을 구성하는 파서·청커·임베더·검색기·재순위화기·오케스트레이터를 독립 부품으로 분리하고, 이를 YAML 설정 파일만으로 조합해 파이프라인을 구성하는 프레임워크이다. 각 부품이 필요로 하고 제공하는 모달리티(텍스트·이미지)를 선언하도록 하여, 이미지 전용 색인에 텍스트 전용 재순위화기를 붙이는 것과 같은 비호환 조합을 GPU·모델 적재 이전 단계에서 차단하고 대안 부품을 함께 제시한다. 텍스트 레이어 추출, 시각언어모델 기반 마크다운 전사, 페이지 이미지 색인, OCR 하이브리드의 4종 파싱 방식을 같은 설정 문법으로 교체할 수 있어, 텍스트 레이어가 없는 스캔 이미지 문서까지 동일한 절차로 처리한다. 또한 근거의 충분성을 판단해 질의를 재구성하고 재검색하는 에이전트 오케스트레이션 3종(단일 실행·반복형·ReAct)과 구성 간 성능을 동일 질문셋으로 비교하는 평가 하네스를 포함하여, 대상 문서에 맞는 최적 구성을 실측으로 선택할 수 있다.
● 본 기술은 아래 세부 기술로 구성된다.
- 멀티모달 문서 판독 및 색인 기술
- 근거 검색 및 재순위화 기술
- 근거 판단 기반 에이전트 질의응답 기술
- 설정 기반 파이프라인 조립 및 평가 기술
● 스캔·표·그림·텍스트가 혼합된 문서 기반 지식 검색 및 질의응답 수요 증가
● 질문에 대한 근거를 정확히 찾는 데 과도한 시간과 인력이 소요
● 근거 없이 생성된 답변은 실무 적용이 어려움
● 기관마다 문서 특성이 달라 RAG 구성 선택 기준이 필요
● 설정 조립형 아키텍처 ? 코드 수정 없는 구성 변경
- 파서·청커·임베더·저장소·검색기·재순위화기·판단기·답변기·오케스트레이터를 각각 독립 부품으로 등록하고, 설정 파일에서 이름으로 선택해 조합한다. extends 상속과 환경변수 치환을 지원하여, 기존 프리셋에서 바꿀 항목만 몇 줄 적어 새 구성을 만들 수 있다. 내장 프리셋 18종을 제공하므로 도입 기관은 처음부터 설계할 필요 없이 유사한 구성에서 출발해 조정하면 된다
● 실행 전 호환성 검증 ? 잘못된 조합의 사전 차단
- 파서·청커·임베더·저장소·검색기·재순위화기·판단기·답변기·오케스트레이터를 각각 독립 부품으로 등록하고, 설정 파일에서 이름으로 선택해 조합한다. extends 상속과 환경변수 치환을 지원하여, 기존 프리셋에서 바꿀 항목만 몇 줄 적어 새 구성을 만들 수 있다. 내장 프리셋 18종을 제공하므로 도입 기관은 처음부터 설계할 필요 없이 유사한 구성에서 출발해 조정하면 된다.
● 멀티모달 문서 판독 ? 스캔본을 포함한 4종 파싱
- 텍스트 레이어 추출(Docling), 시각언어모델 기반 마크다운 전사, 페이지 이미지 색인, OCR 하이브리드의 4종 방식을 동일한 설정 문법으로 교체할 수 있다. 텍스트 레이어가 없는 스캔 이미지 문서도 시각언어모델로 판독하여 색인하므로, 기존 방식으로는 검색 대상에서 제외되던 문서 자산을 활용할 수 있다.
● 근거 판단 기반 에이전트 질의응답
- 검색된 근거가 질문에 답하기 충분한지를 판단하고, 부족하면 부족 정보를 바탕으로 질의를 재구성해 재검색하는 반복 루프를 제공한다. 단일 실행(simple), 반복형(iterative), 행동 선택형(ReAct) 3종의 오케스트레이터를 설정으로 교체할 수 있어, 정확도와 응답 시간 사이의 균형을 용도에 맞게 조정할 수 있다. 모든 답변은 근거 문서명과 페이지를 함께 반환하므로 실무자가 원문을 직접 확인할 수 있다.
● 구성 간 성능 비교 평가 하네스
- 둘 이상의 구성을 동일 질문셋으로 평가하여 답변점수·검색지표·응답시간을 하나의 비교표로 산출한다. 정답 근거(문서·페이지·유형) 라벨이 포함된 평가셋을 함께 제공하므로, 도입 기관이 자체 문서로 구성을 비교·검증한 뒤 채택할 수 있다. 재순위화 모델만 교체한 구성을 짝지어 평가하면 해당 부품 변경의 기여도가 지표로 분리되어 나타난다.
o 멀티모달 문서 판독 및 색인 기술
- 문서 판독 4종 및 색인 저장 기능 ? 텍스트 레이어 추출(Docling), 시각언어모델 마크다운 전사(markdown_vlm), 페이지 이미지 색인(page_image), OCR 하이브리드(hybrid_ocr)의 4종 파서와 청커 4종·임베더 4종(텍스트 3 + 이미지 1)·벡터 저장소 2종(FAISS·Qdrant)으로 구성
- 스캔 이미지 문서 판독 성능 ? 텍스트 레이어가 없는 스캔본 문서를 전 페이지 전사·색인하고, 해당 문서 관련 질의에 대해 답변 점수 평균 9.276을 달성
o 근거 검색 및 재순위화 기술
- 검색·재순위화 모듈 ? 다중 질의를 RRF로 병합하는 벡터 검색기와 텍스트·이미지 하이브리드 검색기, 그리고 재순위화기 5종(cross_encoder, bge_flag, qwen3_vl, llm_listwise, llm_listwise_visual)을 설정으로 교체 가능
- 검색 성능 ? 재순위화 후 hit@1 0.879 · hit@5 0.983 · MRR 0.930을 기록하였으며, 재순위화 단계의 기여도는 hit@1 +0.103 · MRR +0.086으로 측정
- 재순위화 모델 학습 도구 연동 ? 외부에서 파인튜닝한 체크포인트를 설정 항목으로 연동 및 학습데이터 생성·증강 및 모델 학습 도구를 부록으로 제공 가능
o 근거 판단 기반 에이전트 질의응답 기술
- 에이전트 오케스트레이션 3종 ? 단일 실행(simple), 근거 충분성 판단 후 질의를 재구성해 재검색하는 반복형(iterative), LLM이 검색·정독·답변 중 행동을 직접 선택하는 ReAct 방식을 설정으로 교체
- 답변 성능 및 효율 ? 응답 성공률 1.000, 답변점수 평균 9.422/10, 7점 이상 비율 97.41%, 문항당 평균 응답 시간 6.06초
o 설정 기반 파이프라인 조립 및 평가 기술
- 부품 레지스트리 및 실행 전 호환성 검증 ? 각 부품이 필요·제공하는 모달리티를 선언하고, 파서에서 답변기까지의 연결 성립 여부를 모델 적재 이전에 검사하여 비호환 조합을 오류와 대안 부품 목록과 함께 차단
- 설정 프리셋(RAG 파이프라인) 및 인터페이스 ? 실측 검증된 프리셋 18종과 공통 베이스 1종, 명령행 인터페이스(CLI)·HTTP API·UI
- 평가 하네스 ? 둘 이상의 구성을 동일 질문셋으로 평가해 답변점수·검색지표·응답시간을 비교표로 산출하는 하네스 제공
o 멀티모달 문서 판독 및 색인 기술
- 문서 파서 4종, 청커 4종, 임베더 4종, 벡터 저장소 연동 2종
- PDF 유형 판별 도구(디지털/스캔본 자동 분류)
- 백엔드별 파싱 산출물 구조 및 색인 절차 매뉴얼
o 근거 검색 및 재순위화 기술
- 검색기 2종, 재순위화기 5종
- 재순위화 학습도구(텍스트/이미지, 부록) 및 매뉴얼
- 검색 설정 및 테스트 매뉴얼
o 근거 판단 기반 에이전트 질의응답 기술
- 오케스트레이터 3종, 질의 확장/분해 2종, 근거 충분성 판단 2종, 답변 생성기 3종
- 질의 확장/재구성, 충분성 판단, 행동 선택, 답변 생성 프롬프트 일체
- 오케스트레이터별 동작 절차 매뉴얼
o 설정 기반 파이프라인 조립 및 평가 기술
- 호환성 검증 모듈, 설정 로더, 파이프라인 조립 엔진
- CLI, HTTP API Server
- 검증된 프리셋(RAG 파이프라인) 18종, 공통 베이스 1종, 116문항 평가셋 및 평가 결과
- 설정파일 작성법 및 설명서, CLI/HTTP API 사용 매뉴얼
● 규정·지침·매뉴얼 대상 문서 질의응답 시스템
● 기관 내부 지식 검색 AI
● 문서 RAG 구성 선택 및 검증 도구
● 스캔 문서를 포함한 한국어 문서 자산의 활용