이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
핵심 요약
LiteParse는 로컬에서 빠르게 작동하며 텍스트의 공간 정보를 유지한 채 구조화된 출력을 제공한다. 이를 통해 복잡한 금융 보고서에서 정확한 수치를 추출하고 출처를 시각적으로 확인할 수 있는 신뢰할 수 있는 에이전트를 구축할 수 있다.
배경
금융 문서는 표, 텍스트, 복잡한 레이아웃이 섞여 있어 AI 에이전트가 처리하기 가장 까다로운 데이터 소스 중 하나이다.
대상 독자
금융 데이터를 다루는 AI 개발자, RAG 시스템 성능을 높이고 싶은 엔지니어, LlamaIndex 사용자
의미 / 영향
LiteParse를 통해 고비용의 클라우드 파싱 서비스 없이도 로컬에서 고성능의 RAG 시스템을 구축할 수 있게 되었다. 특히 금융과 같이 데이터 보안과 정확한 수치 검증이 중요한 도메인에서 시각적 인용 기능을 갖춘 에이전트 개발이 용이해질 것이다. 이는 기업용 AI 애플리케이션의 신뢰성을 확보하는 표준 패턴이 될 수 있다.
챕터별 상세
00:00
LiteParse 소개 및 핵심 기능
LiteParse는 실시간 에이전트 환경에 최적화된 가볍고 빠른 오픈소스 문서 처리 도구이다. 텍스트의 원래 위치를 보존하는 공간 텍스트 출력(Spatial Text Output)과 바운딩 박스 정보를 제공하여 시각적 검증을 가능하게 한다. 기본적으로 Tesseract OCR을 사용하지만 사용자가 원하는 다른 OCR 모델로 교체할 수 있는 유연한 구조를 갖추고 있다. 로컬 머신에서 직접 실행되므로 데이터 보안과 처리 속도 면에서 이점이 크다.
LiteParse는 LlamaParse의 경량 오픈소스 버전으로, 클라우드 의존성 없이 로컬 환경에서 빠른 파싱을 지원한다.
00:30
LiteParse와 LlamaParse 비교
LiteParse는 로컬 실행과 텍스트/바운딩 박스 추출에 집중하는 반면, LlamaParse는 클라우드 기반으로 마크다운 변환과 복잡한 레이아웃 감지 기능을 제공한다. LiteParse는 실시간 응답이 중요한 에이전트 루프 내에서 반복적인 작업에 적합하도록 설계되었다. 반면 이미지 캡셔닝이나 정교한 도표 이해가 필요한 대규모 문서 처리에는 LlamaParse가 더 유리하다. 사용자는 애플리케이션의 요구사항에 따라 로컬 확장성과 클라우드 기능 중 하나를 선택할 수 있다.
01:11
금융 리서치 에이전트 데모 및 아키텍처
Next.js와 Vercel AI SDK를 기반으로 구축된 금융 실사(Due Diligence) 에이전트의 전체 구조를 확인했다. 에이전트는 EDGAR API를 통해 기업의 10-K 보고서를 직접 다운로드하고 LiteParse로 즉시 파싱하여 분석에 활용한다. 아키텍처는 프론트엔드 UI, 백엔드 API 라우트, 그리고 LiteParse를 포함한 핵심 라이브러리 계층으로 구성된다. 특히 파싱된 결과물은 바운딩 박스 좌표를 포함하고 있어 답변의 근거가 되는 원문 위치를 하이라이트하여 보여준다.
10-K는 미국 상장 기업이 매년 제출해야 하는 연례 보고서로, 매우 방대하고 복잡한 재무 정보를 담고 있다.
03:15
에이전트 실행 및 데이터 추출 시연
Apple의 2024년 및 2025년 10-K 파일을 로드하여 연도별 순매출액(Net Revenue)을 비교하는 질의를 수행했다. 에이전트는 검색 도구를 호출하여 문서 내 관련 페이지를 찾고, LiteParse가 제공한 텍스트 데이터를 분석하여 마크다운 표 형식으로 결과를 생성했다. 모든 수치에는 링크가 포함되어 있어 클릭 시 원본 PDF의 해당 위치가 바운딩 박스로 표시되는 것을 확인했다. 이는 LLM의 환각(Hallucination) 문제를 방지하고 사용자가 직접 데이터를 검증할 수 있게 한다.
06:36
코드 구현: 문서 인입 및 파싱 로직
TypeScript 기반의 백엔드 코드에서 LiteParse를 인스턴스화하고 문서를 처리하는 과정을 분석했다. `outputType: 'json'` 설정을 통해 바운딩 박스 정보를 포함한 구조화된 데이터를 획득하며, 속도 향상을 위해 `disableOcr: true` 옵션을 적용했다. 파싱된 결과는 별도의 벡터 DB 없이 JSON 블롭(Blob) 형태로 저장되어 에이전트가 직접 접근할 수 있도록 구현되었다. `parse` 함수는 파일 경로 또는 버퍼를 입력받아 페이지 번호, 너비, 높이 및 텍스트 아이템 리스트를 반환한다.
09:55
에이전트 도구 및 시스템 프롬프트 설계
Vercel AI SDK의 `streamText`를 사용하여 에이전트 루프를 구현하고 세 가지 핵심 도구(listDocuments, searchDocuments, getPage)를 정의했다. `searchDocuments`는 키워드나 정규표현식(Regex)을 사용하여 문서 내 관련 청크를 검색하며, `getPage`는 특정 페이지 전체 맥락을 파악하는 데 사용된다. 시스템 프롬프트에는 에이전트가 답변 시 반드시 파일명과 페이지 번호를 포함한 특정 포맷으로 출처를 명시하도록 지시하는 예시들이 포함되었다. 이를 통해 에이전트는 단순한 텍스트 생성을 넘어 데이터 추적성을 확보한다.
14:07
복잡한 데이터 처리를 위한 정규표현식 폴백 전략
금융 문서 특유의 공백이나 통화 기호($) 문제를 해결하기 위해 유연한 정규표현식 검색 로직을 추가했다. LiteParse의 공간 투영 출력은 문서 레이아웃에 따라 텍스트 사이에 큰 공백이 생길 수 있는데, 이를 무시하고 매칭할 수 있는 폴백(Fallback) 기능을 구현했다. 공백 제거, 기호 제외, 알파뉴메릭 전용 매칭 순서로 검색을 시도하여 인용구의 정확한 위치를 찾아낸다. 이 전략을 통해 복잡한 재무제표 표 안의 수치들도 누락 없이 시각적으로 하이라이트할 수 있게 되었다.
실무 Takeaway
- LiteParse의 Spatial Text Output 기능을 활용하면 파싱된 텍스트와 원본 PDF의 좌표를 매핑하여 답변의 근거를 시각적으로 제시할 수 있다.
- 에이전트 루프 내에서 'getPage' 도구를 별도로 제공함으로써 검색된 청크가 잘렸을 때 전체 맥락을 다시 파악하게 하여 분석의 정확도를 높일 수 있다.
- 금융 데이터와 같이 레이아웃이 복잡한 경우, 원문 매칭을 위해 공백과 특수문자를 단계적으로 제거하며 검색하는 Regex 폴백 전략이 필수적이다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 29.수집 2026. 04. 29.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.