Agentic Financial Parser: 11개 노드 LangGraph 기반 RAG로 인도 재무·법률 문서 자동 파싱

게시물 작성자는 코드 스니펫과 운영 수치(예: graph.py 라인 수, 등록 노드 11개, Pinecone 벡터 14,662 등)를 함께 제시해 기술적 신뢰도를 확보했고 커뮤니티는 구현 세부와 트레이드오프에 대해 높은 관심을 보였다. 많은 댓글이 MRL 트렁크 차원, 재정렬의 효과, Hallucination Guard의 차단 여부 선택, 회로 차단 임계값 등 실무적 파라미터에 대해 경험을 공유하거나 질문을 제기했다. 전반적으로 공유된 구현은 실용적이라는 평가와 함께 특정 설정(예: 트렁크 비율, 신뢰도 임계값)에 대한 추가 실험 결과 요청이 동시에 제기되었다.

• 민감정보는 LLM 호출 이전 단계에서 정규식 기반 PII 마스크로 제거해 프롬프트 인젝션과 데이터 유출 위험을 동시에 줄일 것.
• 검색 품질 향상을 위해 임베딩 트렁크와 함께 부모-자식 청크 해상 및 신경망 기반 reranker를 결합해 사용하면 소규모 청크의 정밀도와 대규모 문맥의 밀도를 동시에 확보할 수 있다.
• 외부 LLM/임베딩 실패를 대비해 pybreaker 같은 회로 차단기를 적용하고 연속 실패 임계치를 설정해 폴백 경로를 즉시 활성화하도록 구현할 것.

LangGraph 상태 그래프(LangGraph)

— LangGraph는 노드와 조건부 엣지로 구성된 상태 기반 오케스트레이션 접근법으로, 입력을 노드별 처리 파이프라인으로 라우팅하고 각 노드의 출력을 다음 상태의 입력으로 연결하여 복잡한 멀티스텝 워크플로를 구현한다. 이 글에서는 11개의 등록된 노드와 6경로 분기 로직을 통해 질의 분류, PII 마스킹, 재검색, 재정렬, 생성, 검증, 후처리 등 단계별 처리를 조직화하는 데 LangGraph가 핵심 역할을 한다. LangGraph는 에이전트 유즈케이스에서 기능별 격리와 장애 격리를 제공하여 특정 노드 실패 시 회로 차단이나 폴백 루트를 통해 전체 시스템의 안정성을 유지한다.

MRL 임베딩(MRL Embeddings)

— MRL(Multi-Resolution Learning) 임베딩은 원문의 고해상도 표현을 다양한 차원으로 압축하거나 트렁크해서 저장 공간과 검색 비용을 낮추는 기법을 의미한다. 해당 구현에서는 Jina AI v3 MRL을 1024차원에서 256차원으로 트렁크하여 Pinecone 저장량을 약 75% 절감하면서 품질 저하를 최소화하는 트레이드오프를 적용했다. MRL 임베딩은 짧은 청크의 정확도와 긴 문서 컨텍스트의 밀도를 균형 있게 유지하기 위해 부모-자식(chunk parent-child) 조회와 결합되어 사용되었다.

부모-자식 청크 연계 해상(Parent-Child Resolution)

— Parent-Child Resolution은 검색 시 작은 청크(child)를 우선으로 정확도를 확보한 후 해당 청크의 상위 문서(parent)를 다시 불러와 문맥을 보강하는 방식이다. 이 글에서는 작은 청크의 정밀도와 대규모 문서의 컨텍스트 밀도를 동시에 확보하기 위해 Supabase에 저장된 부모 문서를 조회하는 단계로 구현되었다. 이 방식은 멀티문서 질의에서 관련 조각의 정합성을 높이고 이후 재정렬 단계에서 더 긴 문단 단위로 증거를 제공하는 데 기여한다.

재정렬(Reranking)(Reranking)

— Reranking은 최초 검색으로 얻은 후보 집합을 별도의 신경망 기반 모델로 재평가하여 최종 상위 문서들을 선정하는 과정이다. 본 사례에서는 Cohere Rerank v3.0을 통해 15개 후보를 받아 상위 10개 'Golden Chunks'를 선택해 생성기의 컨텍스트로 공급함으로써 다문서 응답 품질을 크게 개선했다. Reranking은 특히 유사도 기반 초기 검색으로는 놓치기 쉬운 문맥적 적합도를 보정하는 데 중요하다.

회로 차단기(Circuit Breaker)(Circuit Breaker)

— Circuit Breaker는 외부 API 장애가 반복될 때 호출을 임시 중단하고 빠른 폴백 경로로 전환해 장애 전파를 방지하는 안정성 패턴이다. 구현에서는 pybreaker를 사용해 LLM과 임베딩 API에 대해 연속 실패 3회 시 회로를 열고 30초 후 재시도하는 정책을 적용하여 요청 지연과 중첩 실패를 회피했다. 이 패턴은 특히 외부 LLM 장애가 시스템 전체 응답성을 저하시킬 위험을 줄이는 데 핵심적이다.