메인 콘텐츠로 건너뛰기
지식기반(KBSphere)의 문서 처리 품질은 이 설정에 의해 결정됩니다. 콘텐츠 추출 엔진, 텍스트 분할 방식, 임베딩 모델을 올바르게 구성해야 RAG 검색 정확도가 보장됩니다. 관리자 > 설정 > 문서 탭에서 설정합니다.
문서 설정 탭

​
문서 처리 프로파일

신규 기능 — 문서 추출 방식과 청킹 전략을 묶어 프로파일로 관리할 수 있습니다. 여러 프로파일을 만들어두고 지식기반(KB)별로 선택하여 사용합니다.

​
프로파일이란?

기존에는 전역으로 하나의 추출/청킹 설정만 가능했습니다. 프로파일을 사용하면 용도별로 서로 다른 설정 묶음을 정의하고, KB마다 적합한 프로파일을 선택할 수 있습니다. 
예시:
 • "기본 추출" → 기본 엔진 + 고정 크기 청킹
 • "고정밀 OCR" → Document Intelligence + 테이블 보존
 • "LLM Vision + 문맥보존" → Vision LLM 추출 + 시맨틱 청킹 + Contextual Chunking

​
프로파일 관리

문서 설정 페이지 상단의 문서 처리 프로파일 섹션에서 프로파일을 생성하고 관리합니다.
1

프로파일 생성

+ 새 프로파일 버튼을 클릭하여 프로파일 생성 모달을 엽니다.
설정 항목설명기본값
이름프로파일 식별 이름—
콘텐츠 추출 엔진문서에서 텍스트를 추출하는 방식기본 (Default)
PDF 이미지 추출PDF 내 이미지 텍스트 추출 여부OFF
텍스트 분할 방식청킹 전략 (고정 크기 / 시맨틱)Character
청크 크기분할할 청크의 크기1000
청크 오버랩청크 간 중복 크기100
고급 설정테이블 보존, 문맥 보존, 엔진별 상세 설정—
2

기본 프로파일 설정

프로파일 목록에서 기본값으로 설정 버튼을 클릭하면, 해당 프로파일의 설정이 전역 기본값으로 동기화됩니다. 프로파일을 지정하지 않은 KB는 이 기본 프로파일로 처리됩니다.
3

KB에서 프로파일 선택

워크스페이스 > 지식기반 편집 화면에서 문서 처리 프로파일을 선택합니다. 미선택 시 기본 프로파일이 적용됩니다.
기본 프로파일은 삭제할 수 없습니다. 다른 프로파일을 기본값으로 설정한 후에 삭제하세요.

​
콘텐츠 추출

문서에서 텍스트를 추출하는 엔진을 선택합니다.
엔진특징적합한 경우추가 설정
기본 (Default)내장 텍스트 추출기간단한 텍스트 문서PDF Extract Images 토글
TikaApache Tika 서버 기반다양한 파일 포맷 지원 필요Server URL (기본: http://tika:9998)
Docling고급 문서 처리 엔진복잡한 레이아웃의 문서Server URL (기본: http://docling:5001)
Document IntelligenceAzure AI Document IntelligenceAzure 환경, 정확한 OCR 필요Endpoint + API Key
Document AIGoogle Cloud Document AI표, 양식, 다단 레이아웃Project ID + Processor ID + Location
Mistral OCRMistral 기반 OCR이미지 기반 문서Mistral API Key
LLM VisionVision LLM 기반 추출복잡한 레이아웃, 차트/이미지 속 텍스트Vision 모델 ID + 프롬프트 (선택)
대부분의 텍스트 기반 문서(PDF, DOCX, TXT)는 기본 엔진으로 충분합니다. 스캔 문서나 이미지가 많은 PDF가 주요 대상이라면 Document Intelligence 또는 Mistral OCR을 권장합니다.

​
LLM Vision 추출

신규 기능 — Vision을 지원하는 LLM(GPT-4o, Claude 등)에게 페이지 이미지를 직접 보내 마크다운 텍스트로 추출하는 방식입니다.
기존 OCR 엔진 대비 복잡한 레이아웃, 이미지 속 텍스트, 차트 설명에서 높은 정확도를 제공합니다. 동작 흐름:
  1. PDF를 페이지별 이미지로 변환 (300DPI급)
  2. 각 페이지 이미지를 Vision LLM에 병렬 전송
  3. LLM이 표/리스트/제목 구조를 유지한 마크다운으로 반환
  4. 인접 페이지 경계의 끊긴 문장을 자동 보정
설정 항목설명
Vision 모델시스템에 등록된 Vision 지원 모델 선택 (예: gpt-4o)
추출 프롬프트커스텀 프롬프트 (빈 값이면 기본 프롬프트 사용)
LLM Vision은 페이지 수 × LLM 호출이 발생합니다. 10페이지 PDF → 약 19회 호출(추출 10회 + 경계 보정 9회). 대용량 문서는 처리 시간과 비용을 고려하세요.
LLM Vision은 PyMuPDF 패키지가 필요합니다. 미설치 시 이 엔진을 선택한 문서 업로드가 실패합니다. 배포 환경에서 PyMuPDF 설치 여부를 확인하세요.

​
텍스트 분할

추출된 텍스트를 검색에 적합한 크기로 분할하는 방식을 설정합니다.
설정기본값설명
Text SplitterCharacterCharacter: 문자 수 기준 분할. Token: Tiktoken 토큰 기준 분할. Semantic: 의미 기반 분할
Chunk Size1000분할할 청크의 크기 (문자 수 또는 토큰 수). Semantic 모드에서는 참고값
Chunk Overlap100청크 간 중복 크기 (문맥 연결 유지)
크기장점단점권장 상황
작게 (500 이하)정밀한 검색문맥이 잘릴 수 있음FAQ, 짧은 문단
중간 (1000)균형 잡힌 성능—대부분의 경우 (기본값)
크게 (2000 이상)넓은 문맥 유지검색 정밀도 저하긴 서술형 문서
청크 경계에서 문장이 잘리면 검색 시 관련 내용을 놓칠 수 있습니다. 오버랩을 설정하면 앞뒤 청크가 일부 텍스트를 공유하여 문맥 연결을 유지합니다. 기본값 100은 대부분의 경우 적절합니다.
Bypass Embedding and Retrieval 옵션을 활성화하면 텍스트 분할과 임베딩을 건너뛰고 문서 전체를 LLM 컨텍스트에 직접 주입합니다. 소규모 문서에서만 사용하세요 — 대용량 문서는 토큰 한도를 초과할 수 있습니다.

​
시맨틱 청킹

신규 기능 — 고정 크기 대신 문장 간 의미 유사도를 기준으로 청크를 분리하는 방식입니다.
Text Splitter를 Semantic으로 설정하면, 문장을 임베딩 벡터로 변환한 후 인접 문장 간 유사도가 급격히 떨어지는 지점에서 청크 경계를 자동 결정합니다.
고정 크기 (Character/Token)시맨틱 (Semantic)
분리 기준글자 수 / 토큰 수의미 유사도 변화
장점빠르고 예측 가능주제 경계에서 분리, 검색 정확도 향상
단점문장/문단 중간 절단 가능임베딩 엔진 필요, 처리 시간 증가
권장일반적인 문서주제가 자주 전환되는 긴 문서
시맨틱 청킹은 임베딩 엔진이 설정되어 있어야 동작합니다. 임베딩 엔진이 미설정 상태에서 Semantic을 선택하면 오류가 발생합니다.

​
테이블 보존

신규 기능 — 문서 내 테이블(HTML/마크다운 형식)을 분리하지 않고 통째로 보존하는 기능입니다.
일반 청킹 시 테이블이 여러 청크로 나뉘어 행/열 정보가 유실될 수 있습니다. 테이블 보존을 활성화하면:
  1. 문서에서 테이블(HTML <table>, 마크다운 |...|)을 자동 탐지
  2. 텍스트 부분만 일반 청킹 수행
  3. 테이블은 가장 인접한 텍스트 청크에 통째로 붙임
  4. 청크 크기를 초과하는 대형 테이블은 헤더를 유지하면서 행 단위로 분할
프로파일 고급 설정의 테이블 보존 (Preserve Tables) 옵션으로 제어합니다 (기본값: 활성).
표가 많은 재무보고서, 기술 사양서 등에서 특히 효과적입니다. 테이블 내 특정 셀 값으로 검색 시 정확도가 크게 향상됩니다.

​
문맥 보존 (Contextual Chunking)

신규 기능 — 각 청크에 전체 문서의 맥락 요약을 LLM이 생성하여 앞에 추가합니다. Anthropic의 Contextual Retrieval 기법을 구현한 기능입니다.
긴 문서의 뒷부분 청크에서는 앞부분의 맥락 정보가 소실되어 검색 매칭이 실패할 수 있습니다. 문맥 보존을 활성화하면:
  1. 청킹 완료 후 각 청크에 대해 LLM 호출
  2. “이 청크가 전체 문서에서 어떤 위치와 맥락인지” 요약을 생성
  3. 요약을 청크 앞에 추가하여 벡터화
[문맥 보존 전]
  청크: "결론적으로 초기 가설이 확인되었다."
  → "A 가설"이 뭔지 알 수 없음 → 검색 실패

[문맥 보존 후]
  청크: "이 청크는 A 가설 검증 보고서의 결론부이며, 50개 실험 결과를
  종합한 최종 판단을 담고 있다.

  결론적으로 초기 가설이 확인되었다."
  → 맥락 포함 → 검색 성공
설정 항목설명
Contextual Chunking활성/비활성 토글
모델문맥 요약에 사용할 LLM 모델
청크 수만큼 LLM 호출이 발생합니다. 100개 청크 문서 → 100회 LLM 호출. 대용량 문서를 다수 업로드하면 API 비용이 크게 증가할 수 있습니다. 소규모 문서나 중요 문서에 선별적으로 사용하세요.

​
임베딩 설정

문서를 벡터로 변환하는 임베딩 엔진과 모델을 설정합니다.
설정 항목기본값설명
임베딩 엔진SentenceTransformers벡터 변환에 사용할 서비스
임베딩 모델all-MiniLM-L6-v2사용할 모델 이름
배치 크기32한 번에 처리할 문서 수 (Ollama, OpenAI, Azure만 표시)
임베딩 차원0 (자동)벡터 차원 수. 0이면 모델 기본값 사용
임베딩 모델을 변경하면 기존 문서의 벡터와 호환되지 않습니다. 모델 변경 후 모든 지식기반을 재인덱싱해야 합니다.
지원 엔진:
로컬 환경에서 실행되는 오픈소스 임베딩 엔진입니다.
설정 항목설명
모델HuggingFace 모델명 (예: sentence-transformers/all-MiniLM-L6-v2)

​
파일 업로드 제한

설정 항목기본값설명
최대 파일 크기무제한단일 파일 업로드 최대 크기 (MB 단위)
최대 파일 수무제한채팅 1회에 동시 사용 가능한 파일 수
허용 파일 확장자전체 허용콤마로 구분 (예: pdf, docx, txt). 빈 값 = 모든 확장자 허용
PDF 변환 확장자비활성LibreOffice로 PDF 변환할 확장자 (예: pptx, docx, xlsx). LibreOffice 설치 필요

​
질의예시 생성 (Question Generation)

문서 청크마다 “사용자가 할 법한 질문”을 LLM이 미리 생성하여 검색 정확도를 높이는 기능입니다.
설정기본값설명
활성화OFF토글로 켜기
모델—질문 생성에 사용할 LLM 선택
청크당 최대 질문 수101~20 범위
질문 벡터 가중치0.50.0(콘텐츠만) ~ 1.0(질문만). 0.5 = 동등 가중
활성화하면 문서 처리 시 LLM 호출이 추가됩니다. 처리 시간과 비용이 증가하므로, 검색 정확도가 부족한 경우에만 사용하세요.

​
클라우드 스토리지 연동

외부 클라우드 스토리지에서 지식기반에 문서를 가져올 수 있습니다. 이 설정은 토글만 제공하며, 실제 인증 정보는 환경 변수로 설정해야 합니다.
스토리지토글필요한 환경 변수
Google DriveON/OFFGOOGLE_DRIVE_CLIENT_ID, GOOGLE_DRIVE_API_KEY
OneDriveON/OFFONEDRIVE_CLIENT_ID
SharePointON/OFFONEDRIVE_CLIENT_ID_BUSINESS, SHAREPOINT_TENANT_ID, SHAREPOINT_SITE_URL
환경 변수가 설정되어 있어야 토글을 켤 수 있습니다. 토글을 켜면 지식기반의 “내용 추가” 메뉴에 해당 클라우드 소스가 표시됩니다.

​
재인덱싱 및 초기화

아래 작업은 되돌릴 수 없습니다. 실행 전 반드시 확인하세요.
작업설명영향 범위
지식기반 재인덱싱모든 지식기반의 벡터 인덱스를 재구축지식기반 전체 (시간 소요)
벡터 스토리지 초기화Vector DB의 모든 데이터 삭제모든 벡터 삭제 → 재인덱싱 필요
업로드 디렉토리 초기화서버에 업로드된 파일 전체 삭제원본 파일 삭제

​
재인덱싱이 필요한 경우

  • 임베딩 모델을 변경했을 때
  • 검색 엔진(Vector DB)을 변경했을 때
  • 청크 크기/오버랩을 변경했을 때
  • 문서 처리에 문제가 발생했을 때

​
관련 페이지

지식기반

지식기반 생성 및 문서 관리 — KB별 프로파일 선택

검색 엔진

Vector DB 및 검색 파라미터 설정

동적 필터

지식기반 메타데이터 필터 설정