AI Feeds
开源项目

PageIndex

PageIndex

无向量、基于推理的 RAG 检索框架，通过构建文档层级树索引让 LLM 进行推理式检索，模拟人类专家翻阅文档的路径。亮点是完全抛弃向量数据库和 chunking，改用结构化索引+LLM 推理实现上下文感知的精准召回，在 FinanceBench 上达到 98.7% 准确率。支持自托管、MCP 和 API 集成，适合金融报告、法律文档等长文档分析场景。

README

PageIndex 横幅

VectifyAI%2FPageIndex | Trendshift

PageIndex: 无向量、基于推理的 RAG

基于推理的 RAG  ◦  无需向量数据库或分块  ◦  上下文感知  ◦  类人检索

🌐 首页  •   🖥️ 聊天平台  •   🔌 MCP 与 API  •   📖 文档  •   💬 Discord  •   ✉️ 联系我们 

📢 更新

  • 🔥 智能体驱动的无向量 RAG — 一个使用自托管 PageIndex 和 OpenAI Agents SDK 的简单 智能体、无向量 RAG 示例。
  • 将 PageIndex 扩展到百万级文档 — PageIndex 文件系统是一个文件级树状层，让 PageIndex 能对整个语料库（而非单个文档）进行推理，从而实现大规模文档搜索。
  • PageIndex Chat — 面向专业长文档的类人文档分析代理平台。也可通过 MCP 或 API 使用。
  • PageIndex 框架 — 深入解读 PageIndex：一个 智能体驱动的上下文树状索引，使 LLM 能够对长文档执行 基于推理的上下文感知检索。

📑 PageIndex 简介

你是否对长专业文档的向量数据库检索精度感到沮丧？传统的基于向量的 RAG 依赖语义相似度而非真正的相关性。但相似度≠相关性——检索中我们真正需要的是相关性，而这需要推理。在处理需要领域知识和多步推理的专业文档时，相似度搜索往往力不从心。

受 AlphaGo 启发，我们提出了 PageIndex——一个无向量、基于推理的 RAG 系统，它从长文档中构建层次化树状索引，并利用 LLM 推理该索引，实现智能体驱动的上下文感知检索。 它模拟了人类专家通过树搜索在复杂文档中导航和提取知识的方式，使 LLM 能够思考并推理到最相关的文档章节。PageIndex 分两步进行检索：

  1. 生成文档的“目录”树状结构索引
  2. 通过树搜索执行基于推理的检索

🎯 核心特性

与传统的基于向量的 RAG 相比，PageIndex 具有以下特点：

  • 无需向量数据库：利用文档结构和 LLM 推理进行检索，而非向量相似度搜索。
  • 无需分块：文档按自然章节组织，而非人工分块。
  • 更好的可解释性与可追溯性：检索基于推理，可追溯且可解释，附带页面和章节引用。告别不透明、近似的向量搜索（"氛围检索"）。
  • 上下文感知检索：检索依赖你的完整上下文（例如对话历史和领域知识），并能轻松融入新上下文。
  • 类人检索：模拟人类专家在复杂文档中导航和提取知识的方式。

PageIndex 驱动了一个基于推理的 RAG 系统，在 FinanceBench 上达到了最先进的 98.7% 准确率，在专业文档分析方面表现出优于基于向量的 RAG 解决方案的性能。详情请参见我们的博文。

📍 探索 PageIndex

想了解更多，请参阅对 PageIndex 框架的详细介绍。可查看本 GitHub 仓库的开源代码，以及食谱、教程和博客获取更多使用指南和示例。

PageIndex 服务可作为类 ChatGPT 的聊天平台使用，也可通过 MCP 或 API 集成。

🛠️ 部署选项

  • 自托管——使用本开源仓库在本地运行（使用标准 PDF 解析）。
  • 云服务——生产级流水线，具备增强的 OCR、树构建和检索功能，以获得最佳效果。立即通过我们的聊天平台试用，或通过 MCP 或 API 集成。
  • 企业版——私有部署或本地部署。联系我们或预约演示了解更多详情。

🧪 快速上手

  • 🔥 智能体驱动的无向量 RAG (最新) — 一个简单但完整的智能体无向量 RAG示例，使用 自托管 PageIndex 和 OpenAI Agents SDK。
  • 试试无向量 RAG 笔记本——一个最小的实操示例，使用 PageIndex 进行基于推理的 RAG。
  • 查看基于视觉的无向量 RAG——无需 OCR；一个最小的、基于视觉且推理原生的 RAG 流水线，可直接基于页面图像工作。
在 GitHub 上查看：智能体驱动的无向量 RAG
在 Colab 中打开：无向量 RAG    在 Colab 中打开：视觉 RAG

🌲 PageIndex 树结构

PageIndex 可以将长篇 PDF 文档转换为语义化的树结构，类似于_"目录"_但针对大语言模型的使用进行了优化。非常适合：财务报告、监管文件、学术教材、法律或技术手册，以及任何超出 LLM 上下文长度的文档。

以下是 PageIndex 树结构的一个示例。另可查看更多示例文档和生成的树结构。

...
{
  "title": "金融稳定",
  "node_id": "0006",
  "start_index": 21,
  "end_index": 22,
  "summary": "美联储...",
  "nodes": [
    {
      "title": "监控金融脆弱性",
      "node_id": "0007",
      "start_index": 22,
      "end_index": 28,
      "summary": "美联储的监控..."
    },
    {
      "title": "国内与国际合作与协调",
      "node_id": "0008",
      "start_index": 28,
      "end_index": 31,
      "summary": "2023年，美联储合作..."
    }
  ]
}
...

你可以使用本开源仓库生成 PageIndex 树结构；或者使用我们的 API 以获得更高质量的结果，这得益于我们增强的 OCR 和树构建流水线。

⚙️ 包使用说明

注意： 本包使用标准 PDF 解析。对于复杂 PDF 的使用场景，我们的云服务（通过 MCP 和 API）提供增强的 OCR、树构建和检索功能。

你可以按照以下步骤从 PDF 文档生成 PageIndex 树。

1. 安装依赖

pip3 install --upgrade -r requirements.txt

2. 设置 LLM API 密钥

在根目录下创建一个 .env 文件，填入你的 LLM API 密钥。通过 LiteLLM 支持多种 LLM：

OPENAI_API_KEY=你的_openai_key_在这里

3. 为 PDF 生成 PageIndex 结构

python3 run_pageindex.py --pdf_path /path/to/your/document.pdf
可选参数
你可以通过额外的可选参数自定义处理过程：
--model                 LLM 模型（默认：gpt-4o-2024-11-20）
--toc-check-pages       检查目录的页数（默认：20）
--max-pages-per-node    每个节点的最大页数（默认：10）
--max-tokens-per-node   每个节点的最大 token 数（默认：20000）
--if-add-node-id        是否添加节点 ID（yes/no，默认：yes）
--if-add-node-summary   是否添加节点摘要（yes/no，默认：yes）
--if-add-doc-description 是否添加文档描述（yes/no，默认：yes）
Markdown 支持
我们还提供了 PageIndex 的 Markdown 支持。你可以使用 `--md_path` 参数为 Markdown 文件生成树结构。
python3 run_pageindex.py --md_path /path/to/your/document.md

注意：在此模式中，我们使用 "#" 来确定节点标题及其级别。例如，"##" 为级别 2，"###" 为级别 3，依此类推。请确保 Markdown 文件格式正确。如果你的 Markdown 文件是从 PDF 或 HTML 转换而来，我们不推荐使用此模式，因为现有的大多数转换工具无法保留原始层次结构。建议改用我们的 PageIndex OCR（旨在保留原始层次结构）将 PDF 转换为 Markdown 文件，然后使用此模式。

智能体驱动的无向量 RAG：一个示例

关于使用 PageIndex 与 OpenAI Agents SDK 的简单、端到端**智能体驱动的无向量 RAG** 示例，请参见 examples/agentic_vectorless_rag_demo.py。

# 安装可选依赖
pip3 install openai-agents

# 运行演示
python3 examples/agentic_vectorless_rag_demo.py

📈 案例研究：PageIndex 领跑金融问答基准

Mafin 2.5 是一个基于 PageIndex 的金融文档分析推理型 RAG 系统。它在 FinanceBench 基准上取得了最先进的 98.7% 准确率，显著优于传统的基于向量的 RAG 系统。

PageIndex 的层次化索引和推理驱动的检索，能够从复杂的财务报告（如 SEC 文件和盈利披露文档）中精确导航并提取相关上下文。

查看完整的基准测试结果和我们的博文，了解详细的对比和性能指标。

🧭 资源

  • 📝 博客：技术文章、研究洞察和产品更新。
  • 🔧 开发者：MCP 设置、API 文档和集成指南。
  • 🧪 食谱：可运行的实操示例和高级用例。
  • 📖 教程：实用指南和策略，包括文档搜索和树搜索。

⭐ 支持我们

如果你喜欢我们的项目，请给我们一个星标 🌟。谢谢！

请引用本作品为：

Mingtian Zhang, Yu Tang and PageIndex Team,
"PageIndex: Next-Generation Vectorless, Reasoning-based RAG",
PageIndex Blog, Sep 2025.
或使用 BibTeX 引用。
@article{zhang2025pageindex,
  author = {Mingtian Zhang and Yu Tang and PageIndex Team},
  title = {PageIndex: Next-Generation Vectorless, Reasoning-based RAG},
  journal = {PageIndex Blog},
  year = {2025},
  month = {September},
  note = {https://pageindex.ai/blog/pageindex-intro},
}

与我们联系

Twitter  LinkedIn  Discord  联系我们

© 2026 Vectify AI

开源项目VectifyAI2026-05-07原文

相关内容