Initial curated RAGcore source from c16667f0c9397e2bfc8dd0255b114fba23c8d05e

docs/04_INGESTION/PARSING_AND_CHUNKING.md

@@ -0,0 +1,28 @@
+# Parsing and Chunking
+
+## Parserrouter
+
+- Plain text/Markdown/JSON/YAML/TOML/logs: lichte veilige parser.
+- Broncode: language-aware symbol parser waar beschikbaar, veilige fallback per file/section.
+- PDF/DOCX/PPTX/XLSX/HTML: Docling-adapter.
+- OCR: alleen bij ontbrekende of aantoonbaar defecte text layer. **Shipped gedrag (1.2.0):** het gelockte docling-slim image bevat geen OCR-engine (`easyocr`); een PDF zonder tekstlaag wordt dus niet geOCR'd maar eindigt als `failed` (`parse_failed`/`no_indexable_content`) en is zo zichtbaar in Documents/Jobs. Born-digital PDF/DOCX/PPTX/XLSX/HTML worden wel geparsed, met paginanummers.
+- Executables, macro's en scripts worden nooit uitgevoerd.
+
+## Canonical blocks
+
+Heading, paragraph, list, table, code, formula, caption, page break en asset reference met stable structure path en source location.
+
+## Chunkprofielen
+
+- `prose-v1`: 600–900 targettokens, max 1200, sectiegrens respecteren.
+- `runbook-v1`: probleem/symptomen/prerequisites/stappen/validatie/rollback bijeenhouden.
+- `code-v1`: module/class/function/method/config resource; parentcontext voor symbolscope.
+- `table-v1`: headers aan row groups toevoegen en volledige tabel als parent bewaren.
+
+## Deterministische identiteit
+
+`UUIDv5(document_version_id + structure_path + content_hash + chunk_profile_version)`.
+
+## Parent-child
+
+Kleine childchunks dienen retrievalprecisie; ruimere parentchunks dienen context. Parentexpansie mag contextbudget en ACL nooit omzeilen.