PageIndex：无向量检索的文档索引

PageIndex：基于推理的无向量 RAG

PageIndex 面向长篇、复杂且高度依赖上下文的专业文档。传统向量检索依赖语义相似度，但“相似”并不等于“相关”：真正相关的内容可能措辞不同，而语义接近的内容未必能回答问题。PageIndex 以分层树状索引替代向量数据库，让大语言模型像专家阅读长报告一样，通过推理定位正确章节，无需切块即可完成检索。

核心架构

系统采用两步流程：

1. 建立索引：依据文档布局生成层级化树状目录。
2. 检索内容：由智能体结合对话历史、领域知识及问题上下文，在树上逐步推理搜索。

其结果可追溯到明确章节或页面，相比仅依赖查询嵌入的向量 RAG，更具可解释性。适用场景包括财务报告、法律文件、监管披露、技术手册、医学文献和学术教材。

快速开始

安装 SDK：

pip install -U pageindex

配置模型并检索 PDF：

import os
from pageindex import PageIndexClient

os.environ["OPENAI_API_KEY"] = "your-openai-key"

client = PageIndexClient(
    index="gpt-6-luna",   # 构建树状索引
    chat="gpt-6-sol",     # 搜索索引
)

doc_id = client.submit_document("report.pdf")["doc_id"]
answer = client.chat("2023 年的营业利润率是多少？", doc_id=doc_id)
print(answer)

index 模型负责提取、总结和优化文档层级，基础模型通常已足够；chat 模型直接决定检索质量，应尽可能选择能力更强的模型。PageIndex 还可通过 Claude Code 使用 Claude 订阅额度：

pip install -U "pageindex[claude]"

client = PageIndexClient(
    index="claude-code/haiku",
    chat="claude-code/opus",
)

性能与成本

使用 gpt-5.6-luna 在本地建立索引，每页约需 0.001 美元。千页文档通常只需数美元以内和数分钟，之后可持续复用。实验中，索引阶段采用基础模型并未明显降低检索质量。

公开基准使用 34 份 PDF、共 1,945 页和 62 个查找问题，答案均直接出现在正文中，因此错误主要反映检索或阅读失败。PageIndex 在 FinanceBench 上达到 98.7% 的准确率。

与每次将完整 PDF 交给模型相比，PageIndex 只读取推理路径涉及的节点。在答案一致的情况下，52 页文档的成本约为 PageIndex 的 2.1 倍，420 页文档约为 16.6 倍；805 页时，原生 PDF 输入已超出上下文窗口。

本地与云端模式

本地模式适合以文本为主的 PDF：索引在当前机器构建并存储，引用精确到页面。

os.environ["PAGEINDEX_API_KEY"] = "your-pageindex-key"
os.environ["OPENAI_API_KEY"] = "your-openai-key"

client = PageIndexClient(
    index="cloud",
    chat="gpt-6-sol",
)

doc_id = client.submit_document("report.pdf", wait=True)["doc_id"]
print(client.chat("2023 年的营业利润率是多少？", doc_id=doc_id))

云端模式由 PageIndex 管理解析、OCR、图像理解、树索引构建和存储，同时继续使用应用已有的兼容对话模型。它支持扫描件及图文密集文档，并提供块级引用、元数据、文件夹和 MCP 服务。文件级 PageIndex File System 还可让系统对整个文档语料库进行推理检索，而非只处理单个文件。