Parsování a příprava dokumentů pro Retrieval Augmented Generation (RAG)

Abstract

Bakalářská práce se zabývá srovnáním moderních parserů dokumentů z pohledu jejich vlivu na kvalitu systémů Retrieval-Augmented Generation. Teoretická část shrnuje architekturu RAG, poža- davky na kvalitní parser a roli formátu Markdown při zachování sémantické struktury dokumentu. Praktická část popisuje experimentální infrastrukturu vystavěnou nad frameworkem LlamaIndex, jednotné rozhraní pro více parserů a metodiku hodnocení založenou na přístupu LLM-as-a-Judge. Závěrečná analýza porovnává vybrané parsery z hlediska correctness, faithfulness, retrieval metrik, rychlosti zpracování a provozních nákladů a formuluje doporučení pro různé typy dokumentových korpusů.

This bachelor thesis compares modern document parsers from the perspective of their impact on Retrieval-Augmented Generation systems. The theoretical part summarizes RAG architecture, the requirementsforhigh-qualityparsing, andtheroleofMarkdowninpreservingthesemanticstructure of documents. The practical part describes an experimental testbed built on top of LlamaIndex, a unified intermediate representation for multiple parsers, and an evaluation methodology based on the LLM-as-a-Judge approach. The final analysis compares selected parsers with respect to correctness, faithfulness, retrieval quality, processing speed, and operational cost, and formulates recommendations for different document-processing scenarios.