你有没有做过 RAG，结果发现 AI 的回答明显在"猜"？
你的文档明明写得很清楚，但 AI 检索回来的总是不相关的片段——语义上相似，但逻辑上答非所问。你开始调 embedding 模型，换向量数据库，调 chunk size，调 top-k，折腾一周，准确率还是卡在 60-70%。
这个问题的根本原因不是模型不够好，也不是 chunk 切得不对。是向量检索的本质缺陷：相似不等于相关。
PageIndex 的做法是：把向量数据库整个扔掉。
它是什么
PageIndex 是 VectifyAI 开源的无向量、基于推理的 RAG 系统，Python 编写，目前 31,777 Stars，2,736 Forks。
核心思路来自 AlphaGo：用推理代替相似度匹配。传统 RAG 把文档切块然后搜相似向量，PageIndex 先把文档变成树形索引（类似目录），然后让 LLM 在这棵树上推理寻路，找到真正相关的段落。
架构：树形索引 + 推理检索
两步流程：
第一步：建树（Table-of-Contents Index）
把 PDF 文档解析成层级树结构——不是切块，是按文档的自然结构建章节树，每个节点有标题和摘要。金融报告、法律合同、技术手册，都能生成这种结构化索引。
{
"title": "Financial Stability",
"node_id": "0006",
"summary": "The Federal Reserve monitors...",
"nodes": [
{ "title": "Monitoring Financial Vulnerabilities", "start_index": 22 },
{ "title": "Domestic and International Cooperation", "start_index": 28 }
]
}
第二步：推理检索（Tree Search）
不是找"语义相似的向量"，而是让 LLM 读索引，像人类专家一样顺着目录思考："这个问题需要查第三章，第三章的2.1小节才是真正相关的"，逐层缩小范围，最终定位到准确段落。
和传统 RAG 的核心差距
| 维度 | 向量 RAG | PageIndex |
|---|---|---|
| 检索方式 | 语义相似度搜索 | LLM 推理树搜索 |
| 需要向量数据库 | ✅ 必须 | ❌ 完全不需要 |
| 文档切块 | ✅ 必须 | ❌ 不切块 |
| 上下文感知 | ❌ 静态向量 | ✅ 对话历史参与检索 |
| 可解释性 | ❌ 黑盒相似度 | ✅ 推理路径可追溯 |
| FinanceBench 准确率 | ~70-80% | 98.7% |
专业长文档（金融报告、法律条款、学术教材）是向量 RAG 最容易翻车的场景，也是 PageIndex 最擅长的地方。
快速上手
pip3 install -r requirements.txt
from pageindex import PageIndex
# 初始化并索引文档
pi = PageIndex(api_key="your-key")
pi.index("annual_report.pdf")
# 推理检索
result = pi.retrieve("Q4 2023 的营收增长主要来自哪些业务？")
print(result.pages) # 精确页码 + 段落引用
还有更强的 Agentic 模式：接入 OpenAI Agents SDK，自动多跳推理，适合需要跨多份文档联合分析的场景。
三种部署方式
自托管：开源代码跑本地，标准 PDF 解析 云端 API：更强的 OCR 和树构建能力，按调用计费，有 MCP 接口 企业版：私有化部署，预约 Demo[1]
Chat 平台也上线了，直接上传 PDF 用自然语言问答：chat.pageindex.ai[2]
做 RAG 应用的同学，值得认真看一下这个项目。向量数据库不是 RAG 的唯一解法，推理检索可能更适合你的场景。
