표준 Retrieval-Augmented Generation (RAG) Chunking 방법은 종종 과도한 중복성을 생성하여 저장 비용을 증가시키고 검색 속도를 늦춥니다. 본 연구는 인덱싱된 코퍼스 (corpus) 를 줄이면서 검색 품질을 유지하기 위해 semantic, topic-based, 그리고 named-entity-based 방법과 같은 chunk filtering 전략을 탐구합니다. 여러 코퍼스에 대한 실험이 수행되었으며, Retrieval 성능은 정밀도 (precision), 재현율 (recall), intersection-over-union 지표를 기반으로 한 token-based framework 를 사용하여 평가되었습니다. 결과는 entity-based filtering 이 벡터 인덱스 크기를 약 25% 에서 36%까지 줄일 수 있으면서도 베이스라인에 가까운 높은 검색 품질을 유지할 수 있음을 보여줍니다. 이러한 발견은 chunking 과정에서 도입된 중복성을 가벼운 필터링 (lightweight filtering) 을 통해 효과적으로 감소시킬 수 있음을 시사하며, RAG 파이프라인 내의 검색 지향적 구성 요소의 효율성을 향상시킵니다.