[프로덕션 RAG] 이중 언어 차트-테이블 파싱에서 100% 정밀도 달성 (LangGraph + LlamaParse VLM)

실용적 조언

복잡한 PDF 차트 파싱에는 LlamaParse VLM을 사용하여 시각 정보를 직접 추출하는 것이 효과적이다
데이터 정확성이 중요한 경우 Hallucination Guard 노드를 추가하여 원본과 대조하는 검증 단계를 거쳐야 한다

섹션별 상세

Vision-First Extraction. LlamaParse VLM을 사용하여 PDF 내의 복잡한 누적 막대 차트를 직접 파싱한다. 이미지 데이터를 텍스트 테이블로 변환하는 과정에서 시각적 정보를 우선적으로 처리하여 데이터 구조를 파악한다. 10년치 '조세 추이' 차트에서 30개 이상의 데이터 포인트를 오차 없이 추출했다. 기존 텍스트 기반 RAG가 실패하는 복잡한 시각 자료를 정확히 처리할 수 있다.

에이전트 기반 금융 파서의 사용자 인터페이스 스크린샷이다. — Screenshot추출된 조세 수입 데이터를 연도별, 세목별로 정리된 표 형식으로 나타낸다. 시각적 차트가 텍스트 기반의 구조화된 데이터로 정확히 변환되었음을 입증한다.

원본 PDF 문서에 포함된 힌디어와 영어 혼용 조세 추이 차트이다. — Chart2017년부터 2027년까지의 직접세, 간접세, 총 조세 수입 비중을 누적 막대 그래프로 나타낸다. 시스템이 파싱해야 했던 복잡한 시각적 데이터의 원본 형태를 확인시켜 준다.

Agentic Logic with LangGraph. 단순 검색을 넘어 데이터 구조를 추론하는 에이전트 로직을 LangGraph로 구현했다. 시스템은 추출된 데이터의 논리적 일관성을 검토하고 필요한 경우 추가적인 추론 단계를 거친다. 8개 노드로 구성된 StateGraph를 통해 복잡한 금융 데이터를 처리하는 워크플로우를 자동화했다. 이는 정적인 파이프라인보다 유연한 데이터 해석을 가능하게 한다.

Zero Hallucination Mechanism. 최종 응답 전에 추출된 숫자를 원본 소스와 대조하는 'Hallucination Guard' 노드를 도입했다. 추출된 데이터가 원본 문서의 수치와 일치하는지 교차 검증하여 환각 현상을 방지한다. 테스트 결과 소수점 오류를 포함한 어떠한 수치 오류도 발생하지 않았다. 금융 데이터와 같이 정확도가 생명인 도메인에서 필수적인 신뢰성을 확보했다.

용어 해설

라마파스(LlamaParse): — LlamaIndex에서 제공하는 PDF 파싱 도구로, VLM을 활용해 복잡한 문서 구조와 시각 자료를 정확하게 텍스트로 변환한다. 텍스트 중심의 기존 파서가 놓치기 쉬운 차트나 테이블의 구조적 정보를 보존하는 데 핵심적인 역할을 한다.
랭그래프(LangGraph): — LangChain 생태계의 라이브러리로, 순환 그래프 구조를 통해 복잡한 에이전트 워크플로우와 상태 관리를 가능하게 한다. 에이전트가 스스로 판단하고 단계를 반복하는 루프 구조를 구현하는 데 필수적이다.
시각 언어 모델(VLM): — 텍스트와 이미지를 동시에 이해하고 처리할 수 있는 멀티모달 모델로, 차트나 다이어그램 분석에 주로 사용된다. 시각적 데이터를 언어적으로 해석하여 RAG 시스템이 이해할 수 있는 형태로 가공하는 기능을 수행한다.
에이전트형 검색 증강 생성(Agentic RAG): — 단순 검색 후 생성을 넘어, 에이전트가 도구 사용이나 추론 단계를 거쳐 최적의 정보를 찾고 처리하는 진화된 RAG 방식이다. 복잡한 질의에 대해 여러 단계의 계획을 세우고 결과를 검증함으로써 응답의 품질을 높인다.

언급된 도구

LlamaParse추천

PDF 파싱 및 VLM 기반 차트 데이터 추출

LangGraph추천

에이전트 로직 및 워크플로우 제어

Render중립

애플리케이션 호스팅 (무료 티어)