검색 증강 생성 (Retrieval-Augmented Generation, RAG) 시스템은 대규모 언어 모델 (Large Language Models, LLMs)의 질의응답 능력을 사용하여 파라미터 외부의 정보에 접근합니다. 우리는 검색 증강 생성 평가 (Retrieval Augmented Generation Assessment, RAGAs) 프레임워크를 사용하여, 길고 구조화된 학술 논문을 대상으로 클러스터 기반 의미론적 청킹 (cluster-based semantic chunking)이 고정 크기 (fixed-size) 및 재귀적 청킹 (recursive chunking)과 비교하여 검색 및 답변 품질을 향상시키는지 평가합니다. RAGAs 기반의 충실도 (faithfulness)는 이 설정에서 제한적인 신뢰성을 보였습니다. 고정된 질문 대 문서 특화 질문에 대한 성능은 상당히 차이가 났으며, 이는 문서의 형식 및 전처리 (preprocessing)와 관련이 있을 가능성이 높습니다. 테스트된 구성 하에서, 클러스터 기반 청킹은 더 단순한 전략들보다 우수한 성능을 보이지 않았습니다.