一个革命性的文档检索系统，零依赖、毫秒级延迟、完全离线，不需要向量化。

GitHub 地址：https://github.com/shibing624/TreeSearch

你还在为向量模型买单吗？

如果你正在构建 RAG 系统，可能遇到过这些问题：

• 🤑 成本高昂：每次查询都要调用向量模型 API，账单不断增长
• 🐢 速度缓慢：向量化 + 相似度搜索，延迟动辄 100ms-1s
• 💔 结构破坏：文档被分割成碎片，原有的层级关系荡然无存
• 🔗 依赖繁重：向量数据库、嵌入模型、各种中间件

有没有想过，这一切都不必要？

今天要介绍的 TreeSearch，就是这样一个”大道至简”的解决方案。

TreeSearch 是什么？

TreeSearch 是一个结构感知的文档检索系统，由开源开发者 shibing624 创建。它提供了一种完全不同于传统 RAG 的文档检索方案。

核心特点：

• ✅ 无需向量模型 – 不依赖任何嵌入模型
• ✅ 零依赖 – 核心功能仅依赖 Python 标准库 + SQLite
• ✅ 毫秒级延迟 – 超快的搜索速度（< 50ms）
• ✅ 保留文档结构 – 维持原始的层级关系和上下文

一句话总结：用关键词匹配 + BM25 排序，替代向量相似度搜索。

为什么传统 RAG 这么”重”？

传统 RAG 的流程

文档 → 分块 → 向量化 → 向量DB → 相似度搜索 → 结果

问题所在：

1. 文档结构被破坏

• 一个完整的概念被分到多个块中
• 标题层级、逻辑关系丢失
• 结果缺乏上下文

2. 成本高昂

• 每个文档都要调用向量模型 API
• OpenAI embedding：$0.02/1K tokens
• 1000万文档库：$200,000+ 的向量化成本

3. 速度慢

• 向量化本身需要时间
• 向量相似度搜索需要扫描大量向量
• 延迟：100ms-1s

4. 依赖繁重

• 需要向量数据库（Pinecone、Weaviate 等）
• 需要维护嵌入模型
• 需要处理向量维度、相似度阈值等复杂参数

TreeSearch 的”反向思维”

TreeSearch 采用完全不同的思路：

文档 → 解析树结构 → FTS5 关键词索引 → BM25 排序 → 结果

核心思想

1. 保留文档结构

对于 Markdown 文件，TreeSearch 会解析标题层级：

# 认证系统## 用户认证### 密码验证### 多因素认证## 权限管理### 角色定义### 权限分配

解析后的树结构：

认证系统 (level=0)├── 用户认证 (level=1)│   ├── 密码验证 (level=2)│   └── 多因素认证 (level=2)└── 权限管理 (level=1)    ├── 角色定义 (level=2)    └── 权限分配 (level=2)

2. 使用 SQLite FTS5

FTS5 是 SQLite 内置的全文搜索引擎：

• 倒排索引：快速关键词查找
• BM25 算法：相关性排序（同 Elasticsearch 使用的算法）
• 零外部依赖：SQLite 自带，无需额外数据库
• 毫秒级查询：O(log N) 复杂度

3. 结构感知的列设计

CREATEVIRTUALTABLE fts_nodes USING fts5(    title,           -- 权重: 5.0 (标题最重要)body,            -- 权重: 10.0 (正文最重要)    summary,         -- 权重: 2.0 (摘要)    code_blocks,     -- 权重: 1.0 (代码块)    front_matter     -- 权重: 2.0 (元数据));

可以精确搜索特定字段：title:authentication AND body:config

实际对比：TreeSearch vs Elasticsearch

部署成本

Elasticsearch 方案：

• 安装 Java JDK（500MB+）
• 下载 Elasticsearch（1GB+）
• 配置集群（主节点、数据节点、协调节点）
• 年度成本：$60,000-110,000（服务器 + DBA）

TreeSearch 方案：

• pip install pytreesearch
• 初始化对象，调用 build_index()
• 年度成本：$600-1,200（存储）

成本对比：TreeSearch 约为 Elasticsearch 的 1/50 到 1/100

配置复杂度

Elasticsearch：需要理解 shards、replicas、analyzers 等复杂概念

{"settings": {"number_of_shards": 5,"number_of_replicas": 1,"analysis": {"analyzer": {"my_analyzer": {"type": "custom","tokenizer": "standard","filter": ["lowercase", "stop", "snowball"]        }      }    }  }}

TreeSearch：一行代码搞定

from treesearch import set_configset_config(    cjk_tokenizer='jieba',    fts_title_weight=10.0,    fts_body_weight=5.0)

搜索性能

内存占用

Elasticsearch（1000万文档）：

• 进程：8-16GB
• 索引缓存：5-10GB
• 查询缓存：2-5GB
• 总计：15-31GB

TreeSearch（1000万文档）：

• Python 进程：500MB-1GB
• SQLite 缓存：1-2GB
• 总计：1.5-3GB

内存节省：10 倍以上

支持的文件格式

TreeSearch 不仅支持 Markdown，还支持多种格式：

实际应用场景

1. 代码库搜索

在大型代码库中快速找到相关函数、类、文件：

from treesearch import TreeSearchts = TreeSearch("project_root/", db_path="code_index.db")# 搜索认证相关的代码results = ts.search("user authentication")# 结果包含：# - 函数定义位置# - 类和方法# - 调用关系# - 完整的代码上下文

2. 文档知识库检索

在 Markdown 文档、API 文档中搜索信息：

ts = TreeSearch("docs/", db_path="docs_index.db")# 搜索"如何配置认证"results = ts.search("认证配置")# 返回：# - 相关章节# - 完整的层级关系# - 上下文（前后章节）

3. RAG 系统的检索层

替代向量检索，作为 LLM 的检索增强：

from treesearch import TreeSearchts = TreeSearch("knowledge_base/", db_path="kb_index.db")defretrieve_context(query: str, top_k: int = 5):"""为 LLM 检索上下文"""    results = ts.search(query, top_k_docs=3, max_nodes_per_doc=top_k)# 组织成 LLM 可用的格式    context = "\n\n".join([f"[{r.doc_name}] {r.title}\n{r.text}"for r in results    ])return context# 在 LLM 提示中使用query = "用户如何重置密码？"context = retrieve_context(query)prompt = f"根据以下信息回答问题：\n{context}\n\n问题：{query}"

优势：

• 零 API 成本（无向量模型调用）
• 毫秒级检索（快速迭代）
• 完整上下文（更好的 LLM 回答）

法条库场景：成本节省 1000 倍

如果你在构建法律知识库、医学文献库等超大规模系统，TreeSearch 的优势更加明显。

场景：1000万条法条库

传统 RAG 方案：

向量化成本：1000万文档 × $0.02/1000 tokens = $200,000向量DB 成本：$1,000-10,000/月总成本：$200,000-$340,000（首年）+ $12,000-120,000/年（运维）

TreeSearch 方案：

索引构建成本：单机 CPU 10-30 小时（无额外成本）SQLite 数据库：50-100GB（存储成本 $100-200）运维成本：增量更新自动化，成本接近零总成本：$100-200（存储）+ 人力维护（低）

成本节省：1000 倍以上

为什么法条库特别适合 TreeSearch？

1. 精确匹配需求强

• 法律查询需要精确定位条款号
• 向量相似度容易混淆相似条款
• 关键词匹配更符合法律逻辑

2. 文档结构重要

• 法律有明确的层级：法律 → 编 → 章 → 条 → 款 → 项
• TreeSearch 完整保留这个结构
• 查询结果包含完整的法律路径

3. 更新频率低

• 法律相对稳定，不需要频繁重新向量化
• TreeSearch 增量索引，只处理修改的文件

性能指标

索引性能

搜索性能

何时选择 TreeSearch？

✅ 强烈推荐使用 TreeSearch

• 精确匹配需求强（法律、医学等）
• 文档结构重要（法律层级、代码结构）
• 成本敏感（初创公司、学术研究）
• 离线部署（无网络环境）
• 更新频率低（法律相对稳定）
• 中文为主（jieba 分词优化）

❌ 不适合使用 TreeSearch

• 超大规模（百亿+文档）
• 需要复杂聚合（统计分析）
• 需要语义理解（问答、推荐）
• 需要多语言混合（向量模型更通用）

快速开始

安装

pip install pytreesearch

基本使用

from treesearch import TreeSearch# 1. 构建索引ts = TreeSearch("docs/", db_path="docs_index.db")# 2. 搜索results = ts.search("认证配置")# 3. 查看结果for result in results:    print(f"文档：{result.doc_name}")    print(f"标题：{result.title}")    print(f"内容：{result.text}")    print(f"相关性分数：{result.score}")

布尔查询

# AND 查询results = ts.search("民法典 AND 合同")# OR 查询results = ts.search("认证 OR 授权")# NOT 查询results = ts.search("authentication NOT oauth")# 短语匹配results = ts.search('"用户认证"')# 通配符results = ts.search("auth*")

总结

TreeSearch 代表了一种回归本质的检索哲学：

• 不追求最先进的向量模型
• 不依赖复杂的外部系统
• 用最简单的方式解决最实际的问题

如果你的需求是：

• 快速、精确地从文档中找到相关信息
• 保留文档的原始结构和上下文
• 降低系统复杂度和运维成本

那么 TreeSearch 就是你的答案。

相关资源

• GitHub：https://github.com/shibing624/TreeSearch
• 文档：项目 README 和示例代码
• 适用场景：代码搜索、文档检索、RAG 系统、法律库、医学库等

下一次构建检索系统时，不妨试试 TreeSearch。你可能会惊讶于它的简洁和高效。