PageIndex 是什么？

PageIndex 是由 VectifyAI 开发的开源 RAG（检索增强生成）系统，它彻底改变了传统文档检索的方式。与传统向量数据库不同，PageIndex 使用推理驱动的方法，通过构建文档的层次树结构来实现人类般的检索。

  • 🌲 树结构索引 — 像目录一样组织文档
  • 🧠 推理驱动检索 — LLM 推理而非向量相似度
  • ❌ 无需向量数据库 — 省去昂贵的向量存储成本
  • ❌ 无需分块 — 保持文档自然结构
  • 📊 98.7% 准确率 — FinanceBench 基准测试 SOTA

GitHub: https://github.com/VectifyAI/PageIndex
Stars: 29,202+ | 语言: Python | 协议: Apache-2.0

为什么传统 RAG 不够好？

传统向量 RAG 的问题

问题说明
相似度 ≠ 相关性向量搜索找语义相似的，但不一定是真正相关的
分块破坏结构强制分块会切断文档逻辑结构
黑盒检索向量搜索不可解释，无法追溯为什么返回这个结果
成本高昂需要维护向量数据库，存储和计算成本高
长文档效果差专业长文档（财报、法律文件）检索精度低

PageIndex 的解决方案

PageIndex 模拟人类专家阅读文档的方式：

  1. 先看目录结构（树索引）
  2. 根据问题推理应该去哪个章节
  3. 在相关章节中深入查找

核心技术原理

1. 文档树结构生成

PageIndex 将 PDF 转换为层次化的树结构：

{
  "title": "Financial Stability",
  "node_id": "0006",
  "start_index": 21,
  "end_index": 22,
  "summary": "The Federal Reserve monitors financial vulnerabilities...",
  "nodes": [
    {
      "title": "Monitoring Financial Vulnerabilities",
      "node_id": "0007",
      "start_index": 22,
      "end_index": 28
    },
    {
      "title": "Domestic and International Cooperation",
      "node_id": "0008",
      "start_index": 28,
      "end_index": 31
    }
  ]
}

2. 推理驱动的树搜索

当用户提问时，LLM 会：

  1. 理解问题 — 分析查询意图
  2. 遍历树结构 — 推理哪些节点可能包含答案
  3. 深入相关节点 — 在候选节点中查找具体信息
  4. 返回结果 — 附带引用来源（页码、章节）

3. 与 AlphaGo 类似的蒙特卡洛树搜索

PageIndex 受 AlphaGo 启发，使用树搜索算法：

  • 选择 — 选择最有希望的节点
  • 扩展 — 展开子节点
  • 评估 — LLM 评估节点相关性
  • 回溯 — 更新节点权重

快速开始

安装

# 克隆仓库
git clone https://github.com/VectifyAI/PageIndex.git
cd PageIndex

# 安装依赖
pip3 install --upgrade -r requirements.txt

配置 API Key

# 创建 .env 文件
echo "OPENAI_API_KEY=your_openai_key_here" > .env

生成文档树

# 为 PDF 生成 PageIndex 树结构
python3 run_pageindex.py --pdf_path /path/to/your/document.pdf

可选参数

--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    # 每节点最大页数（默认: 10）
--max-tokens-per-node   # 每节点最大 token（默认: 20000）
--if-add-node-summary   # 添加节点摘要（默认: yes）

实战示例

示例 1：金融文档分析

from pageindex import PageIndex

# 加载文档树
pi = PageIndex(tree_path="financial_report.json")

# 查询
result = pi.query(
    "What was the Q3 revenue growth rate?",
    top_k=3
)

print(result.answer)
# "Q3 revenue grew by 23% year-over-year, driven by cloud services..."

print(result.sources)
# [{"page": 45, "section": "Financial Results", "node_id": "0012"}]

示例 2：法律合同审查

# 加载合同文档
pi = PageIndex(tree_path="contract.pdf.json")

# 查询特定条款
result = pi.query(
    "What are the termination conditions in Section 7?"
)

# PageIndex 会自动定位到相关章节

示例 3：学术论文研究

# 加载论文
pi = PageIndex(tree_path="paper.pdf.json")

# 跨章节推理查询
result = pi.query(
    "How does the methodology in Section 3 relate to the results in Section 5?"
)

# PageIndex 会遍历树结构，找到关联信息

与竞品对比

特性PageIndex传统向量 RAGLlamaIndexLangChain
向量数据库❌ 不需要✅ 必需✅ 必需✅ 必需
分块❌ 不需要✅ 必需✅ 必需✅ 必需
推理驱动✅❌❌❌
可解释性✅ 可追溯❌ 黑盒⚠️ 部分⚠️ 部分
长文档✅ 优秀⚠️ 一般⚠️ 一般⚠️ 一般
专业文档✅ 优秀⚠️ 一般⚠️ 一般⚠️ 一般
准确率✅ 98.7%~75%~80%~78%

商业模式与赚钱机会

1. 企业级文档分析

PageIndex 的 Apache-2.0 协议允许商业使用：

  • 金融分析 — 自动分析财报、SEC 文件
  • 法律咨询 — 合同审查、案例研究
  • 医疗文档 — 病历分析、医学文献
  • 政府文件 — 政策分析、法规检索

2. 构建 SaaS 产品

基于 PageIndex 构建：

  • 智能文档问答平台
  • 企业知识库系统
  • 自动报告生成器
  • 合规审查工具

3. 咨询服务

提供 PageIndex 相关：

  • 技术咨询
  • 定制开发
  • 培训服务

性能基准

FinanceBench 测试结果

系统准确率
PageIndex (Mafin 2.5)98.7%
传统向量 RAG~75%
其他商业方案~80%

PageIndex 在金融文档问答上达到 state-of-the-art，证明了推理驱动检索的优越性。

部署选项

1. 自托管（开源）

git clone https://github.com/VectifyAI/PageIndex.git
pip3 install -r requirements.txt
python3 run_pageindex.py --pdf_path your.pdf

适合：技术团队、数据敏感场景

2. 云服务

适合：快速启动、生产环境

3. 企业版

  • 私有化部署
  • 定制 OCR 管道
  • 专属支持

社区与资源

总结

PageIndex 是 RAG 技术的下一代演进：

✅ 29K+ Stars — 社区认可
✅ 无需向量 DB — 省去昂贵基础设施
✅ 推理驱动 — 真正理解文档结构
✅ 98.7% 准确率 — 业界领先
✅ 可解释 — 每次检索都可追溯
✅ 开源 — Apache-2.0，商业友好

适合谁？

  • 金融分析师：处理财报、SEC 文件
  • 法律顾问：审查合同、法规
  • 研究人员：分析论文、文献
  • 开发者：构建文档 AI 应用

立即开始: https://github.com/VectifyAI/PageIndex

Last updated: 2026-05-07