RAGの精度は「パース」で決まる。画像や複雑な表を崩さずに構造化する『Docling RAG Parser』の設計と実装
RAG（検索拡張生成）の精度が上がらない最大の原因
企業内で眠る膨大なドキュメントを活用し、社内AIに正確に回答させるRAG（Retrieval-Augmented Generation）システム。しかし、いざ構築してみると、**「期待した回答が返ってこない」「表のデータを正しく読み取れない」「システム構成図やフローチャートなどの視覚情報が無視される」**といった課題に直面するケースが後を絶ちません。
その原因の9割は、LLM（大規模言語モデル）の能力不足ではなく、前処理における**「ドキュメントのパース（解析）崩れ」**にあります。
人間が読めば一目で理解できるドキュメントも、AIに食わせるテキストデータに変換される過程で、セクションがちぎれ、表の構造が破壊され、図が消え去ってしまっているのです。
本記事では、この課題を解決するために開発されたドキュメントRAGパーサー**『Docling Document RAG Parser』**の設計思想と、実証レポートに基づく圧倒的なパース精度について解説します。
【失敗の典型】なぜ「PDF変換経由のパース」は使い物にならないのか？
ドキュメント（Word, Excel, PowerPointなど）をパースする際、一度「PDFに変換してから解析する（例：LibreOfficeなどをバックエンドで使用する）」アプローチがよく取られます。しかし、実用化の過程で以下の深刻な問題が発生します。
- レイアウトの崩壊（横長Excelの破綻）: 横に広い設計書やパラメータ表をPDFに変換すると、用紙サイズ（A4など）の制約により、右端が切り取られて次のページや最下部に分裂します。これにより、同じ行にあったデータ同士の論理的つながりが完全に消滅します。
- 読み込み順序の狂い: PDF化によって「Visual Layout解析」に頼ることになると、段組みやテキストの読み込み順序を誤認しやすくなります。「1. 概要」の本文の途中に、別の見出しが割り込んでくるようなテキストの破壊が日常茶飯事になります。
- チャンク（セクション分割）の破綻: 表や文脈が物理的に分断されるため、意味ベクトル（Embedding）の適合度が壊滅し、AIが適切なドキュメントセクションを検索（Retrieve）できなくなります。
今後のシステム開発において、同じ失敗を繰り返さないためにも、PDF変換を介したアプローチを排除することが極めて重要です。
【最適解】「直接XMLパース ＋ LLM画像解析マージ」のハイブリッド設計
『Docling Document RAG Parser』が採用しているのは、ドキュメントの元データ（XML構造）を直接パースしつつ、抽出された非構造化オブジェクト（画像や図）をマルチモーダルLLMで解析・マージするハイブリッド手法です。
1. 直接XMLパースによる表構造の完全維持
ExcelやWordのファイル構造を直接読み込むことで、結合セルが含まれる複雑な表も、セル構造を一切崩さずにマークダウンのテーブル（| で区切られた表形式）に完全再現します。横幅が広くてもページでちぎれる心配はありません。
2. 画像の自動抽出とLLMによる「Mermaidコード化」
ドキュメントに埋め込まれたシステム構成図、フローチャート、組織図などの画像ファイルを自動的に抽出します。 抽出した画像をマルチモーダルLLM（Geminiなど）で解析し、図の論理構造を記述した「Mermaid記法」のコードと詳細な解説文を自動生成します。そして、マークダウン内の画像リンクの直後にそのテキストを自動インジェクションします。
これにより、RAGで「構成図」や、図の中にしか書かれていないシステム名・役割のキーワード（例: Load Balancer や クライアントPC）で検索された際にも、確実に目的のドキュメント（チャンク）がヒットするようになります。
実証レポート：マルチフォーマットでの圧倒的な検証結果
本ツールのテスト検証結果（test_report.md）から、実際の解析事例をご紹介します。
事例①：日本語システム接続構成図（Excel）
日本語の複雑なネットワーク構成図が含まれるExcelシートをパースした結果、LLMが画像を正確に読み取り、以下のMermaidコードと解説テキストを自動生成してMarkdownに埋め込みました。
【パース後の生成テキスト（Markdown埋め込み）】
graph LR
A["クライアントPC<br>(ブラウザ利用)"] --> B["負荷分散装置<br>(LB)"]
B --> C["Webサーバー<br>(アプリ稼働環境)"]
構成要素の説明
- クライアントPC（ブラウザ利用）: ユーザーが操作する端末です。Webブラウザを通じてシステムへアクセスを行います。
- 負荷分散装置（LB）: アクセス負荷を適切に分散し、Webサーバーへトラフィックを転送します。
- Webサーバー: アプリケーションが稼働する中心となるサーバーです。
事例②：画像化された「サーバー年間保守コスト表」
文字ではなく「画像」としてExcelに貼り付けられていたコストテーブルも、高精度OCRとLLMの組み合わせにより、見やすいMarkdownテーブルへと復元されました。
### Server Maintenance Cost List
| Item Description | Monthly Cost | Qty | Subtotal |
| :--- | :--- | :--- | :--- |
| Server License | $120 | 5 | $600 |
| Cloud Storage | $45 | 10 | $450 |
RAGに最適化された「Block-aware Chunking（文脈保護）」
構造化したテキストをAIに効率よく読み込ませる（チャンクに分ける）際、本パーサーは以下の**Block-aware（文脈配慮型）**ポリシーで動作します。
- 大見出しによるセクション分割: 「1. 概要」「2. パラメータ設計」などの大きなテーマの切れ目で自動分割。
- 小見出しのブロック保護: 画像の直後に挿入された
### システム構成図などの下位の見出しは、同一セクションの解説情報とみなし、分割せずに1つの文脈（Chunk）として保存します。「図（Mermaidコード）」と「その解説文」が途中で別々のチャンクに泣き別れすることを防ぎます。 - 原本ファイルパスの保持: 生成される各チャンクデータに原本ファイルパスを記録し、検索結果から元のファイルへ確実にたどり着ける「トレーサビリティ」を確保します。
🎥 解説動画（近日公開）
現在、本ツールの動作デモ、および実際のRAG構築パイプラインへの組み込み手順を解説した動画を作成中です。公開後、こちらに埋め込みを行います。
🎬 Docling RAG Parser 動作解説動画
（近日中に動画をここに公開・埋め込み予定です）
まとめ
RAGシステムの成否は、使用するLLMのモデルの大きさよりも、**インプットするドキュメントの「テキスト構造の美しさ」**にかかっています。
- PDF経由の変換を避け、直接XMLパースを行う。
- 図解や表はマルチモーダルAIを活用してテキスト（Mermaid/Markdown）へ昇華させる。
- 見出しを認識したBlock-awareな分割ルールを適用する。
AI Nexusでは、今回ご紹介した docling のパーシング技術をはじめ、企業内の複雑なナレッジベース構築、およびRAGシステムのチューニング・導入支援ソリューションを提供しています。
「社内のドキュメント検索を賢くしたい」「既存のRAGシステムの精度改善を行いたい」という企業担当者様は、ぜひお気軽にお問い合わせください。