"모든 문서에서 거래처와 작성일을 뽑으라"는 규칙이 실패하는 이유: 윈도우 업무용 파일 정리기 아키텍처 구축기 ② — 복합 문서 구조적 근거 추출과 보류(Quarantine) 상태 머신
실제 다운로드 폴더 8종 대조 실험에서 발생한 0 ready / 8 hold 실패를 해부하고, OOXML·PDF·HWP5 경계 제한 파서(SafeDocumentReader), 빈 서식 셀 분리 알고리즘, 날짜 역할 분해(date_candidates), 그리고 생성형 모델의 자유 서술을 차단한 선택 전용 사실 계약(fact_contract_v3)을 구축한 기록입니다.
시리즈 구성 — 윈도우 업무용 파일 정리 및 이식형 자료실 아키텍처 구축기 (총 3부작)
**1부**에서 우리는 선행 의도 저널링(run-<id>.jsonl), 8-Tuple 불변 지문(Fingerprint), 그리고 9-State 중단 복구 상태 머신을 통해 파일과 폴더 번들을 데이터 유실 없이 원자적으로 이동·복원하는 트랜잭션 엔진을 살펴보았습니다.
물리적 파일 이동의 무결성이 확보된 직후, 우리가 직면한 두 번째 난제는 **“무엇을 근거로 파일의 새 이름과 분류 체계를 결정할 것인가”**였습니다. 실무자의 다운로드 폴더나 바탕화면에 쌓이는 파일들의 이름은 b19f8c2a-4d3e-...docx, 최종_수정의수정(2).xlsx, 스캔_001.pdf처럼 내용을 전혀 반영하지 못하거나 출처가 유실된 상태입니다.
만약 시스템이 문서 내부의 텍스트를 어설프게 읽어 잘못된 날짜나 엉뚱한 거래처 이름을 파일명에 박아 넣는다면, 이는 파일을 정리한 것이 아니라 조직의 문서 메타데이터를 체계적으로 오염시킨 것과 다름없습니다. 따라서 제이앤코어는 **“확증된 원문 근거(Verbatim Evidence)가 부족할 때는 절대 추측해서 이름을 바꾸지 않고 보류(Quarantine)한다”**는 원칙을 세웠습니다.
본 2부에서는 초기 고정 4필드 스키마가 실제 다운로드 폴더 문서 8종 앞에서 왜 **0개 완료 / 8개 전원 보류(0 ready / 8 hold)**라는 처참한 결과를 냈는지 실패 원인을 복기하고, 이를 해결하기 위해 개발한 경계 제한 복합 문서 파서(SafeDocumentReader), 날짜 역할 분해 엔진(date_candidates.py), 그리고 외부 언어 모델의 자유 텍스트 생성을 스키마 수준에서 박탈한 **선택 전용 사실 계약(fact_contract_v3)**의 내부 구조를 공개합니다.
1. 초기 설계의 실패 복기: 실제 다운로드 문서 8종 대조 실험 (0 ready / 8 hold)
프로젝트 초기 단계(마일스톤 T01~T05)에서 우리는 모든 업무 문서를 단일 정규화 스키마로 정리할 수 있다고 가정했습니다. 당시 설계한 고정 명명 규칙은 다음과 같았습니다.
Target Filename = [거래처명]_[현장 또는 품목]_[문서종류]_[작성일(YYYY-MM-DD)].ext
이 규칙의 안전성을 시험하기 위해, 합성 테스트 데이터(Synthetic Fixture)가 아닌 실제 실무 환경의 다운로드 백업 폴더에서 8개의 파일(UUID 파일명으로 저장된 과업지시서 .docx, 데이터베이스 스키마 명세서 .md, 파트너십 운영 가이드 .pdf, 다중 시트 단가표 .xlsx, 한글 문서 .hwp 등)을 격리 복사하여 파이프라인에 투입했습니다.
결과는 **0 ready / 8 hold (자동 정리 준비 완료 0건, 8건 전원 보류)**였습니다. 원인을 코드와 추출 로그 단위로 정밀 해부한 결과, 세 가지 근본적인 설계 결함이 드러났습니다.
1.1 결함 ①: 모든 업무 문서가 ‘거래 문서’라는 잘못된 도메인 가정
실무 폴더에는 견적서·발주서·세금계산서 같은 **거래 문서(Transaction Document)**만 존재하는 것이 아닙니다. 내부 데이터베이스 스키마 설계서(DATABASE_SCHEMA.md), 외부 플랫폼 이용 안내서(partners-guide.pdf), 기술 레퍼런스 북, 표준 단가표 등 원천적으로 ‘거래처(Counterparty)‘나 ‘문서 작성일’이라는 속성이 존재하지 않는 자료가 절반 이상을 차지합니다. 고정 4필드 스키마는 거래처가 없는 기술 문서와 가이드 문서를 모두 “필수 근거 누락(missing_counterparty)“으로 판정해 보류시켰습니다.
1.2 결함 ②: 복합 엑셀(XLSX)의 빈 서식 셀 폭증으로 인한 조기 절삭(partial=True)
실무용 엑셀 견적서·내역서는 시각적 양식을 맞추기 위해 수많은 병합 셀과 테두리 서식 전용 빈 셀을 포함합니다. 실험에 사용된 실제 .xlsx 파일 하나는 총 1,075개의 XML <c>(셀) 노드를 가지고 있었는데, 이 중 실제 값(<v> 또는 <is>)이 들어 있는 셀은 600개였고 나머지 475개는 테두리와 배경색 스타일(s="...")만 지정된 빈 셀이었습니다.
초기 파서는 빈 셀까지 모두 ‘방문한 셀 수’에 합산하여 상한선에 도달하자마자 문서를 **“일부만 읽음(partial=True)“**으로 마킹했고, 안전 정책상 부분 읽음 문서는 무조건 보류되도록 설계되어 있었기 때문에 정상적인 엑셀 문서가 통째로 격리되었습니다.
1.3 결함 ③: 문서 내 다중 날짜의 문맥 충돌과 정밀도(Precision) 혼선
파트너십 안내서 본문에는 "2024년 10월 기준", "2025.02.06 개정", "예시: 2023-05-01 신청 건"처럼 서로 다른 역할을 가진 날짜 표현이 동시에 등장했습니다. 연·월(2024-10)만 적힌 표현은 일자(DD)가 없어 정밀도 검증에서 탈락했고, 본문 안의 양식 예시 날짜와 실제 문서 기준일을 구분하지 못해 다중 날짜 충돌(ambiguous_dates)로 보류되었습니다.
2. 해결책 ①: 자료 성격별 2단계 증거 정책 엔진 (material_policy / transaction_policy)
위 실험 결과를 바탕으로 “모든 문서에 동일한 4개 필드를 강제한다”는 초기 가설을 폐기하고, 문서의 성격(Material Category)을 먼저 분류한 뒤 성격별로 최소 필수 근거(Minimum Viable Evidence)를 다르게 요구하는 2단계 정책 엔진으로 도메인 계층을 재설계했습니다.
문서 성격 분류 (material_kind) | 대표 문서 유형 | 필수 요구 근거 (원문 조각 인용 필수) | 선택 결합 근거 (존재 및 확증 시에만 반영) |
|---|---|---|---|
transaction (거래·계약 문서) | 견적서, 발주서, 계약서, 거래명세서, 청구서, 정산서 | 거래처(또는 발주처) + 문서종류 + 품목/과업명 | 확증된 단일 작성·발행일(YYYY-MM-DD) |
rate_or_price_table (기준·단가표) | 자재 단가표, 수수료율표, 등급별 요율 기준표 | 대상 품목/도메인 + 기준표 성격 | 적용 기준 연월 또는 시행일 |
reference_or_guide (참고·설계·안내 자료) | 과업지시서(초안), DB 스키마, 매뉴얼, 가이드북, 법령/규정 | 핵심 주제(Topic) + 문서 형식/역할 | 버전 식별자 또는 확정 발행일 |
이 정책 분리를 통해, 거래처와 작성일이 본문에 없는 기술 설계서나 안내서도 억지로 가짜 거래처를 끼워 넣거나 무조건 보류시키는 대신 확증된 주제어와 문서 역할 근거만으로도 안전하게 정규 이름을 구성할 수 있게 되었습니다.
3. 해결책 ②: 경계 제한 안전 파서(SafeDocumentReader)와 구조적 조각(Fragment) 추출
업무용 문서를 파싱할 때 외부 상용 프로그램(Excel, Word, 한글)을 COM 자동화로 띄우거나 매크로·수식을 실행하는 방식은 속도 저하뿐 아니라 악성 매크로 실행 및 백그라운드 프로세스 행(Hang)을 유발합니다. 우리는 모든 문서를 정적 바이트 및 컨테이너 수준에서 직접 해부하는 **SafeDocumentReader**와 형식별 어댑터(ContentAdapter) 체계를 구축했습니다.
3.1 악성 압축 및 대용량 파일 방어를 위한 4중 자원 상한
OOXML(.docx, .xlsx)은 내부적으로 ZIP 컨테이너 안에 다수의 XML 스트림을 담은 구조이므로, 압축 폭탄(ZIP Bomb)이나 거대 XML 노드 공격에 노출될 수 있습니다. 파서는 다음의 결정론적 자원 상한을 엄격히 강제합니다.
- 단일 문서 파싱 허용 크기 상한 : 10 MiB (초과 시 즉시 oversize_blocked)
- ZIP 컨테이너 내부 엔트리 수 상한 : 256 entries
- ZIP 스트림 압축 해제 누적 바이트 상한 : 32 MiB
- 단일 문서당 XML 트리 방문 노드 상한 : 10,000 visited nodes
- XLSX 비어 있지 않은 유효 값 셀 상한 : 1,500 non-empty value cells
특히 1.2절에서 발견한 XLSX 빈 서식 셀 문제를 해결하기 위해, XML 방문 노드 카운터(visited_nodes <= 10,000)와 실제 텍스트·숫자 값이 존재하는 유효 셀 카운터(value_cells <= 1,500)를 완전히 분리했습니다. 서식만 지정된 빈 셀은 visited_nodes만 증가시키고 즉시 스킵하므로, 수백 개의 디자인용 빈 셀이 포함된 실무 견적서에서도 실제 데이터 행과 열이 누락 없이 100% 추출됩니다.
3.2 표 헤더·병합 셀 문맥 복원 및 출처 좌표(Provenance) 태깅
문서에서 단순히 텍스트만 줄글로 긁어모으면, 표 안에 있는 "㈜제이앤코어"가 **공급자(갑)**인지 **수신자(을)**인지, "2026-10-15"가 작성일인지 납기일인지 구별할 수 있는 공간적 구조(Spatial Context)가 소실됩니다.
office_text.py와 SafeDocumentReader는 각 텍스트 조각(Fragment)을 추출할 때 반드시 **물리적 위치 좌표(source)**와 표 헤더 문맥을 함께 결합합니다.
- XLSX 시트 관계 및 병합 범위 복원:
xl/workbook.xml과xl/_rels/workbook.xml.rels를 교차 파싱하여 실제 시트 이름과worksheets/sheetN.xml타겟 경로를 정확히 매핑하고,xl/sharedStrings.xml인덱스를 복원합니다.<mergeCells>정의를 먼저 스캔하여 상단 제목 영역과 다단 표 헤더(Merged Header)의 좌표를 파악합니다.- 각 데이터 행을 추출할 때
[열 헤더명: 셀 값]형태로 결합하고, 출처 좌표로시트명!셀범위(예:내역서!B4:F4)를 기록합니다.
- DOCX 문단 및 표 좌표 태깅:
word/document.xml의 문단(w:p)과 표(w:tbl)를 순회하며body.p12,table1.r2형태의 구조적 좌표를 부여합니다. - PDF 페이지·문단 분리 및 암호화 검출: 암호화된 PDF(
encrypted)나 텍스트 레이어가 없는 스캔 이미지 PDF(empty_text)를 즉시 식별하여 가짜 추출 성공으로 넘기지 않고 상태 코드로 분리합니다. - HWP5 OLE 복합 문서 본문 연결: 한국 실무 환경에서 필수적인 한글(
.hwp, HWP 5.0 OLE Compound File) 포맷의BodyText/Section*압축 레코드 스트림을 파싱하여 동일한ContentResult(text, status, reason, coverage, fingerprint, truncated, fragments, omissions)인터페이스로 정규화합니다. 손상된 가짜 HWP 컨테이너는unsupported가 아닌extraction_failed로 정확히 격리합니다. - 파싱 전후 지문 재검증 (Read-Time Immutability Check): 어댑터가 파일 읽기를 시작하기 직전의
Fingerprint와 파싱이 끝난 직후의Fingerprint를 대조하여, 읽는 도중 외부 프로세스가 파일을 수정한 경우 추출 결과 전체를 즉시 폐기합니다.
4. 해결책 ③: 날짜 후보 역할 분해(date_candidates.py)와 정밀도 검증
실무 문서 한 장에는 평균 3~7개의 날짜 표현이 등장합니다. 파일명에 들어갈 날짜나 검색 인덱스의 문서 기준일을 결정할 때, 정규표현식으로 찾은 첫 번째 날짜를 채택하거나 파일시스템의 수정일(mtime)을 문서 작성일로 둔갑시키는 것은 데이터 왜곡의 주원인이 됩니다.
4.1 문서 내 날짜 후보의 6대 역할(Role) 분류 체계
domain/date_candidates.py는 본문 조각(fragments)에서 추출된 모든 날짜 후보(candidate_id = D01, D02, ...)에 대해 주변 문맥 윈도우와 표 헤더 라벨을 기반으로 다음 6가지 역할을 엄격히 구분합니다.
역할 코드 (role) | 실무 문서 내 등장 문맥 및 라벨 예시 | 문서 기준일(document_date) 채택 가부 |
|---|---|---|
issued_or_created | 작성일, 발행일, 견적일, 보고일자, 문서 하단 서명일 | 채택 가능 (단일 확증 시) |
effective_or_regulation | 시행일, 개정일, 적용 기준일, 효력 발생일 | 규정·기준표 문서에 한해 제한 채택 |
event_or_schedule | 행사일, 대회 일시, 교육 기간, 회의 개최일 | 파일명 작성일로 채택 금지 (본문 맥락으로만 보존) |
delivery_or_due | 납기일, 준공 예정일, 인도 기한, 지급 기일 | 채택 절대 금지 (문서 작성일과 무관) |
submission_or_deadline | 제출 마감일, 접수 기한, 입찰 마감 | 채택 절대 금지 |
template_or_example | (예: 2024-01-01), [작성 예시], 서식 안내 문구 내부 날짜 | 즉시 기각 (Quarantine Rule) |
4.2 정밀도(Precision) 강제와 다중 날짜 충돌 해소(resolve_dates)
- 연·월(
YYYY-MM) 임의 패딩 금지: 본문에"2026년 10월"만 적혀 있을 때 이를"2026-10-01"로 임의 변환하면 실제 10월 1일에 작성된 문서와 구별할 수 없게 됩니다. 일자(DD)까지 명시된day정밀도 후보만 정규 일자 후보로 인정하며, 연·월 후보는precision='month'로 기록한 뒤 일자 필드에서는 생략(omitted)합니다. - 동일 역할 내 다중 일자 충돌 차단: 만약 한 문서 안에
issued_or_created역할로 분류된 서로 다른 날짜가 2개 이상 존재하고 어느 쪽이 최종 발행일인지 결정할 수 없다면, 임의로 최신 날짜를 고르는 대신date_issues에 충돌 사유를 기록하고 날짜 필드를 비워 둡니다.
5. 해결책 ④: 선택 전용 사실 계약(fact_contract_v3) — 생성형 모델의 자유 서술 박탈
문서 구조 파서가 추출한 조각(fragments)과 날짜 후보(date_candidates)를 바탕으로 문서의 제목·거래처·성격을 요약할 때, 외부 언어 모델(LLM)을 보조 분류기로 활용할 수 있습니다. 그러나 언어 모델에게 **“본문에서 근거 문장(quote)과 작성일(document_date)을 JSON으로 출력하라”**고 지시하면, 모델은 높은 확률로 원문에 없는 조사를 덧붙이거나 날짜 형식을 임의로 윤색(Hallucination)합니다.
우리는 이 문제를 프롬프트 엔지니어링(부탁하기)으로 해결하지 않고, **모델이 출력할 수 있는 JSON 스키마 자체에서 자유 텍스트 필드를 제거하는 코드 계약(fact_contract_v3.py)**으로 해결했습니다.
5.1 fact_contract_v3.py의 핵심 설계: “모델은 ID만 고르고, 텍스트 복원은 코드가 수행한다”
실제 src/file_organizer/domain/fact_contract_v3.py의 구현 코드는 다음과 같이 작동합니다.
VERSION = 'document-facts-v3'
def provider_schema(schema):
"""Keep fixed keys/types/enums; enforce cardinality locally, not in provider grammar."""
if isinstance(schema, list):
return [provider_schema(v) for v in schema]
if not isinstance(schema, dict):
return schema
bounds = {'minItems', 'maxItems', 'minimum', 'maximum', 'minLength', 'maxLength'}
return {key: provider_schema(value) for key, value in schema.items() if key not in bounds}
def schema_for(documents):
schema = response_schema(d['id'] for d in documents)
schema['properties']['schema_version']['enum'] = [VERSION]
item = schema['properties']['documents']['items']
props = item['properties']
# 1. 모델이 날짜 문자열을 직접 생성하지 못하도록 document_date / date_role 필드 삭제
del props['document_date']
del props['date_role']
ids = [c['candidate_id'] for d in documents for c in d.get('date_candidates', [])]
candidate = {'type': 'string', 'enum': ids} if ids else {'type': 'string', 'maxLength': 1}
actual_limit = max((len(d.get('date_candidates', [])) for d in documents), default=0)
props['date_roles'] = {
'type': 'array',
'maxItems': actual_limit,
'items': {
'type': 'object',
'additionalProperties': False,
'properties': {
'candidate_id': candidate,
'role': {'type': 'string', 'enum': list(ROLES)}
},
'required': ['candidate_id', 'role']
}
}
# 2. 모델이 인용문(quote)을 직접 타이핑하지 못하도록 quote 필드 삭제 -> 오직 fragment_id만 선택
evidence = props['evidence']['items']
del evidence['properties']['quote']
evidence['required'] = ['field', 'fragment_id']
...
return schema
이 코드가 강제하는 아키텍처 불변식은 세 가지입니다.
- 자유 인용(
quote) 생성 원천 차단: 모델에게 전달되는 스키마에는quote필드가 아예 존재하지 않습니다. 모델은 오직 파서가 부여한fragment_id(예:"F01","F04")만 선택할 수 있으며, 로컬 검증기(validate_v3)가fragments[e['fragment_id']]['quote']를 통해 파서가 읽은 무결한 원문 문자열 그대로를 복원합니다. - 인접 조각 결합(
context_evidence)의 연속성 및 앵커 실재성 검증: 표의 제목과 값이 인접한 두 조각(F03,F04)에 나뉘어 있는 경우 최대 3개의fragment_ids선택을 허용하되, 로컬 코드가 (1) 선택된 조각들의local_index가 실제로 연속된 정수(positions == list(range(positions[0], positions[0] + len(positions))))인지, (2) 추출된anchor문자열이 공백 제거·소문자 정규화(casefold) 기준 원문 조각 내부에 글자 그대로 포함되는지 검사합니다. 조건을 만족하지 않으면 결합을 기각합니다. - 전송용 스키마(
provider_schema)와 로컬 검증 스키마(schema_for)의 이중화: 외부 Batch/Standard API에 복잡한 OpenAPI 카디널리티 제약(minItems,maxItems,minLength)을 그대로 전송하면 제공자 측 문법 컴파일러에서code 3 INVALID_ARGUMENT장애가 발생하는 현상을 실제 배치 실험에서 확인했습니다. 이에 따라 API 전송 시에는provider_schema()로 고정 키·타입·Enum만 전송하여 프로토콜 호환성을 확보하고, 응답 수신 즉시 로컬validate_v3()에서 카디널리티·중복·누락·근거 실재성을 100% 엄격 검증하는 이중 게이트를 구축했습니다.
6. 출처 보존 명명 규칙(기본이름_저장일_부모폴더명.ext)과 원본 출처 원장
문서 본문 분석이 완료되더라도, 실무자가 파일을 찾을 때 가장 중요하게 여기는 단서 중 하나는 **“이 파일이 원래 어느 폴더에 언제 저장되어 있던 파일인가”**입니다.
특히 앞서 강조했듯, 파일의 Windows 생성일(st_birthtime)을 문서 본문의 작성일(document_date)과 혼동해서는 안 되며, 반대로 본문에 작성일이 없다고 해서 파일의 입수 시점 정보까지 버려서도 안 됩니다.
6.1 내용 기반 기본 이름과 물리적 출처 접미사의 결합
최종 확정된 사용자 파일명 생성 규칙(AI05)은 다음과 같이 내용 영역과 출처 영역을 명확히 분리하여 결합합니다.
[기본이름]_[저장일(YYYYMMDD)]_[원본부모폴더명].[ext]
- 기본이름:
fact_contract_v3및name-review-v1검증을 통과한 정제 제목을 사용하되, 만약 문서가 부분 추출(truncated) 상태이거나 근거 검증에 실패한 경우라도 작업을 전면 중단하는 대신 기존 파일의 기본 이름을 안전하게 폴백(Fallback)으로 유지합니다. - 저장일 (
YYYYMMDD): 복사나 이동이 일어나기 전 원본 파일에서 읽은 Windows 생성일(KST 기준)입니다. 만약 파일시스템 특성상 원본 생성일을 확인할 수 없는 경우 앱 최초 관찰일(first_seen_at)을 기록하고 출처 DB에 산출 기준(created_basis = 'windows_created' | 'first_observed')을 명시합니다. - 원본 바로 위 부모 폴더명: 전체 경로가 아닌 직계 부모 디렉토리 이름(예:
download백업_261011)을 그대로 보존합니다. 이때 폴더명 안에 포함된 숫자(261011)는 출처 식별자의 일부로 원형 유지하며, 임의로 날짜로 파싱해 변환하지 않습니다.
실제 검증 표본 4종에 대해 도출된 최종 제안 파일명 결과는 다음과 같습니다.
| 원본 파일 상태 | 본문 추출 및 근거 검증 판정 | 최종 구성 파일명 (기본이름_저장일_부모폴더명.ext) |
|---|---|---|
UUID 파일명 .docx | 전체 본문 추출 · 과업지시서 제목 근거 확증 | 판매_홍보_자동화_MVP_개발_과업지시서_20260929_download백업_261011.docx |
영문 스키마 .md | 기존 파일명 의미 일치 확인 · 유지 채택 | DATABASE_SCHEMA_20250424_download백업_261011.md |
영문 서적 .pdf | 표지/서두 제목 근거 확증 | How_to_Make_the_Best_Coffee_at_Home_20240120_download백업_261011.pdf |
대용량 안내서 .pdf | 상한 초과로 일부 본문만 추출(partial) → 새 제목 기각 및 기존 기본 이름 유지 | partners-guide-20250206163324_20260925_download백업_261011.pdf |
네 번째 파일(partners-guide)의 사례가 본 아키텍처의 핵심 철학을 보여줍니다. 모델이 서두만 읽고 그럴듯한 한국어 새 제목을 제안했더라도, 파서가 **“문서 전체를 끝까지 읽지 못했다(partial=True)“**는 사실을 알고 있으므로 새 제목 채택을 거부하고 기존 기본 이름에 저장일과 부모 폴더명만 결합하여 안전하게 보호합니다.
6.2 원본 출처 원장 (.local/library.sqlite3)과 버전 이력 보존
파일이 정리되기 전후의 모든 물리적 출처 메타데이터는 .local/library.sqlite3의 source_files 및 source_versions 테이블에 영구 기록됩니다.
- 동일 등록 경로의 파일 내용이 수정되더라도 기존 파일 ID를 유지한 채
source_versions에 새로운 SHA-256 해시와 관찰 시각 이력을 추가합니다. - 보안 원칙상 전체 원본 절대 경로는 외부 API 프롬프트로 절대 전송하지 않으며, 오직 로컬 DB 원장에만 보관됩니다.
7. 2부 요약 및 다음 단계: “정리된 파일”을 넘어 “기억나는 맥락으로 즉시 찾는 자료실”로
1부의 비파괴 파일 트랜잭션 엔진과 2부의 구조적 근거 추출 및 선택 전용 사실 계약(fact_contract_v3)을 결합함으로써, 우리는 복합 실무 문서를 왜곡이나 환각 없이 안전하게 분석하고 출처 기반의 정규 파일명으로 정돈하는 체계를 완성했습니다.
그러나 시스템을 실제 업무 시나리오에 투입하면서 세 번째 본질적인 요구사항이 부상했습니다.
“파일 이름을 아무리 깔끔하게 정리해 두어도, 6개월 뒤에 실무자가 기억하는 것은 정확한 파일명이 아니라 ‘일주일 전 회의에서 논의했던 배관 자재 단가표’나 ‘그때 현장에서 찍어둔 설비 사진’ 같은 파편화된 업무 맥락이다. 게다가 이 작업 폴더를 외장하드나 다른 PC의 D드라이브로 통째로 복사해 갔을 때도 지금 구축한 검색 색인과 사용자가 직접 적어둔 메모가 그대로 유지되어야 한다.”
마지막 3부에서는 이 요구사항을 해결하기 위해 문서 정리기를 어떻게 **로컬 하이브리드 맥락 검색 엔진 및 이식형 자료실(Portable Workspace)**로 진화시켰는지 다룹니다. 추출·임베딩·랭킹의 3단 버전 경계 분리(SEARCH04), 어휘 직접 매칭과 교차 인코더 대조를 결합한 하이브리드 랭킹(SEARCH03~05), 프로세스 강제 종료(exit 73)에도 유실되지 않는 사용자 정의 필드 동기화, 그리고 폴더를 다른 드라이브로 복사해도 재추출·재임베딩 0회로 즉시 복원되는 4단계 해시 재앵커링(workspace_identity.py) 설계를 공개합니다.
시리즈 이어 읽기
2~4주 정찰제 맞춤 개발
우리 회사 엑셀 업무도 웹 시스템으로 바꿀 수 있을까요?
사내 ERP를 무리하게 바꾸지 않고, 매달 반복되는 엑셀 병목만 독립 웹 시스템으로 2~4주 만에 전환합니다.
