PageIndex

相似不等于相关——不要向量索引，要层级树索引，让 LLM 用推理”翻”到正确的章节

项目速览

项目 内容
仓库 VectifyAI/PageIndex
语言 Python
Stars 39,759（2026-10-26），Forks 3,430
协议 MIT
状态 2025-04-01 建库，2026 年 8 月发布多项更新
定位 无向量、基于推理的 RAG 引擎

它想解决什么问题

向量 RAG 统治了三年，PageIndex 公开唱反调：向量检索按语义相似度找东西，但相似不等于相关——该找回的（相关但不相似）回不来，不该回的（相似但不相关）一堆。

最典型的例子：财务报表里”2023 年营业利润率”和”2022 年营业利润率”语义相似度极高，但只有一个是对的。向量检索在这里天然吃亏。

核心机制拆解

1. 树索引 vs 向量索引。

向量 RAG PageIndex
索引 向量索引 树索引
检索 语义相似度搜索 LLM 在树上推理
结果 黑盒、”氛围检索” 可追溯到明确引用
上下文 只有 query 嵌入 完整上下文：对话历史、领域知识等

2. 两步走，两个模型档位。 索引阶段为每份文档生成树状结构索引——树结构本身从文档版式抽取，不依赖 LLM，LLM 只做摘要与精修，所以 index= 用基础模型就够；检索阶段让 Agent 搜索这棵树，所以 chat= 要用你能负担的最好模型。官方原话：”index 用基础模型，chat 用你能买得起的最好模型。”

3. 最佳场景很明确。 财务报告、法律文书、监管文件、技术手册、医学文献、学术教材——一切又长又复杂的专业文档。

4. 生态在补齐。 2026 年 8 月的更新包括：PageIndex Flash（文本 PDF 的快速树索引，本地模式默认）、PageIndex File System（文件级树索引层，把推理扩展到百万文档级语料）、以及面向人的 PageIndex App（长文档分析 Agent，也有 MCP 与 API）。

安装与上手

1
2
3
4
pip install -U pageindex

# 有 Claude 订阅的话，可直接用订阅额度而不是 API key
pip install -U "pageindex[claude]"

SDK 支持本地与云两种模式，本地模式用自己的 LLM key；模型名加 claude-code/ 前缀即走 Claude Code 调用，用量走订阅套餐。

点评

亮点是提出了一条被忽视的真相：专业文档的检索难点不是”意思像不像”，而是”位置对不对”。先定位章节、再读细节，这正是人类专家翻阅长报告的方式；可追溯的引用也满足了法律、金融场景”答案从哪来”的硬要求。

局限：每次检索都要 LLM 推理，延迟与成本都高于一次向量查询——所以它的主场是”少而精”的专业文档问答，不是海量语料的模糊搜索；树索引质量依赖文档版式，排版混乱的 PDF 会明显吃亏；index/chat 双模型档位需要自己调平衡。

适合人群：金融 / 法律 / 医疗等严肃文档场景（对引用溯源和准确率敏感）；被向量 RAG 的”氛围检索”伤过的人；已有 Claude / OpenAI 订阅、边际成本可控的团队。