---
tags: [AI-Agent, RAG, 인덱싱]
---

# Adaptive Chunking

> 한 줄 정의
> 고정 크기로 일괄 분할하지 않고, **콘텐츠 구조·의미 밀도(또는 질의)에 따라 청크 크기·경계를 동적으로 조정**하는 청킹 전략. (2024~2025)

## 왜 필요한가

[[Chunking]]의 고정 크기 방식은 모든 문서에 같은 길이를 강요한다. 하지만 문서마다 정보 밀도가 다르다.

- 정보가 성긴 서술 단락 → 크게 묶어도 의미가 안 흐려진다.
- 표·정의·수식처럼 **밀도 높은 구간** → 작게 잘라야 검색 정밀도가 산다.

Adaptive Chunking은 이 차이를 인식해 **구간별로 다른 크기**를 적용한다. 임상 의사결정 지원 평가에서 논리적 토픽 경계에 맞춘 적응형 청킹이 정확도 87%로, 고정 크기(13%) 대비 큰 격차를 보였다(p=0.001).

## 접근 방식

| 방식 | 기준 | 특징 |
|------|------|------|
| **구조 인식 적응형** | 헤더·섹션·표 등 문서 구조 | 논리 경계 보존, 메타데이터 유지 |
| **의미 밀도 적응형** | 인접 문장 임베딩 유사도 | 의미 전환점에서 분할, 밀도 따라 크기 가변 |
| **LLM 기반 적응형** | LLM이 분할 지점 판단 | 품질 높지만 비용↑ |
| **질의 의존 (Query-Aware)** | 질의 특성에 맞춰 청크 크기·선택 | "최적 크기는 질의마다 다르다"는 통찰 |

## Late Chunking과의 관계

**Late Chunking**은 순서를 뒤집는다 — 먼저 문서 전체를 [[Embedding]]해 토큰 단위 벡터를 얻은 뒤, 그 위에서 청크를 나눈다. 청크가 잘려도 문서 전체 맥락이 임베딩에 녹아 있어, 긴 문서에서 cross-chunk 관계가 보존된다(nDCG@10 약 +6.5p). [[Contextual Retrieval]]과 같은 "맥락 보존" 계열의 사고.

## 의의

- **정밀도·재현율 동시 개선**: 구간 특성에 맞는 크기로 노이즈와 문맥 단절을 함께 줄인다.
- **환각 감소**: 의미가 온전한 청크가 [[Grounding]]을 강화한다.
- 질의 의존 방식은 [[Adaptive RAG]]의 "질의별 전략 선택"과 같은 흐름이며, 2025~2026 RAG 인덱싱의 핵심 방향이다.

## 관련 노트

- [[Chunking]]
- [[Embedding]]
- [[Contextual Retrieval]]
- [[Query Transformation]]
- [[Adaptive RAG]]
- [[RAG Architecture]]