PageIndex 别再切文档了,RAG 该动脑了

你有没有这种经历：把几百页的财报丢进 RAG，问「去年毛利率多少」，它却回你一段八竿子打不着的相似段落？向量检索靠的是语义相似，可相似不等于相关。「每日开源」今天聊的这个项目，干脆不建向量库，让大模型像人翻书一样去读文档。

项目简介

PageIndex 是 VectifyAI 开源的一个「无向量、推理式」RAG 引擎。它的出发点很朴实：人读一份长报告，不会先把整本拆成碎块再比相似度，而是翻目录、定位章节、最后细读。PageIndex 把这套动作变成了「树状索引 + 大模型推理」。建索引时给文档生成一棵结构树，检索时让 LLM 顺着树推理着往下找。灵感来自 AlphaGo——用推理代替暴力匹配。结果能追溯到具体出处，你一眼就知道答案从哪来。

传统方案里，检索质量卡在「相似度」这一关：关键词没对上、说法换了个表述，相关内容就漏掉了，不相关的内容反倒被挑出来。PageIndex 把判断交给会推理的模型，流程变成两步——先建树，再在树里找。检索从「比距离」变成了「走流程」，对长文档格外友好。

核心功能

树状索引，替代向量库

文档被理解成层级结构，检索不再依赖 embedding 之间的距离，也就没有 chunk 切分的烦恼。

推理式检索

LLM 像专家一样在树里「翻找」，能处理需要多步推理和领域知识的专业文档。

本地即用，也能上云

pip 装好就能在本地跑，用自己的模型 key；同一套客户端也能接 PageIndex Cloud。另有 PageIndex Flash 针对文本型 PDF 快速建树，已成默认方式；文件级文件系统还能扩展到百万级文档的语料库推理。

使用场景

• 金融与合规：季报、监管文件、法律合同里找某个条款或数字，答案带明确出处，审计友好。

• 技术手册与学术文献：长手册、教科书、医学文献的精确问答，不再被「相似但不相关」误导。

• 企业内部知识库：制度、规格书、历史纪要散落各处，用它做跨文档推理，新人不至于翻到头晕。

这类场景的刚需其实是「可解释」。PageIndex 的答案会带着它走过的章节路径，哪一段支撑了结论清清楚楚，拿去汇报或审计都站得住脚，而不是甩给你一句没头没尾的摘要。

上手建议

装好就能试（需自备 LLM key）。index 和 chat 都支持换成你自己的模型；本地模式下数据不出本机，敏感文档也放心。先跑通一个 PDF，再决定要不要上云。

pip install -U pageindex

import os from pageindex import PageIndexClient  os.environ["OPENAI_API_KEY"] = "your-openai-key"  client = PageIndexClient(     index="gpt-5.6.luna",   # 建树用的模型     chat="gpt-5.6.sol",     # 检索用的模型 ) doc_id = client.submit_document("report.pdf")["doc_id"] answer = client.chat("What was the 2023 operating margin?", doc_id=doc_id) print(answer)

结尾

如果长文档检索一直是你的痛点，去 GitHub 给 PageIndex 点个 Star 吧，3.8 万星的项目值得一试。

① 觉得有用点个「在看」，分享给需要的同事；

② 关注本号，每天一个值得收藏的开源项目；

③ 你最想看哪类项目？前端 / 后端 / AI / DevOps？评论区告诉我，下期安排。

关注公众号，AI时代不迷路，创建价值活下去