PageIndex：无向量数据库的推理型 RAG，可本地运行

VectifyAI/PageIndex

基于推理的 RAG ◦ 无向量数据库 ◦ 无需分块 ◦ 上下文感知检索 ◦ 像人一样阅读

[2026 年 8 月] 🔥 PageIndex SDK：pip install -U pageindex 现已支持本地模式：完全在本地机器上使用自己的 LLM Key 进行索引、检索和聊天，或者用同一个客户端连接 PageIndex Cloud（需 API Key）。

[2026 年 8 月] ⚡ PageIndex Flash：针对文本型 PDF 的快速树索引生成，现已作为 PageIndex SDK 本地模式的默认索引方式。

Scale PageIndex to Millions of Documents: PageIndex File System 是一种文件级树索引层，让 PageIndex 能够对整个语料库进行推理，而非仅限于单个文档。

PageIndex App：一款面向长篇专业文档的类人文档分析 Agent。

你是否受够了向量数据库在处理长篇复杂文档时的检索精度？基于向量的 RAG 通过语义相似性进行检索。但相似性 ≠ 相关性——检索真正需要的是相关性，而相关性需要推理。对于需要上下文理解、领域专业知识和多步推理的专业文档，相似性搜索会遗漏相关但不相似的内容，也会返回相似但无关的内容。

受 AlphaGo 启发，PageIndex 用分层树索引替代向量索引，让 LLM 像人类专家一样在长篇报告中翻阅和阅读正确的章节。检索分两步进行：

Index：为每个文档生成分层树结构索引

Retrieve：通过 LLM 推理在树结构中进行智能搜索

与向量 RAG 对比

它非常适合财务报告、法律文档、监管文件、技术手册、医学文献、学术教科书，以及任何其他需要处理的长篇复杂专业文档。

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",               # model to build the tree index
    chat="gpt-5.6-sol",                 # model to search the tree
)
doc_id = client.submit_document("report.pdf")["doc_id"]

answer = client.chat("What was the 2023 operating margin?", doc_id=doc_id)
print(answer)

模型推荐

index=：基础模型就足够用了。树结构本身是从文档布局中提取的，无需 LLM；索引模型只负责总结和优化，基础模型就能很好地完成这项工作。

chat=：使用你能够负担得起的最好模型。聊天模型负责在树结构中搜索检索信息。参见查询成本与精度。

通过 SDK 客户端使用 PageIndex →

配置其他模型、流式输出、多文档搜索、引用等功能。更多详见。

将 PageIndex 集成到你自己的 Agent →

将 PageIndex 工具接入 OpenAI Agents SDK、Claude Agent SDK 或任何其他框架。

本地索引成本与时间

使用 gpt-5.6-luna 作为索引模型在本地构建树索引，每页约花费 $0.001，因此一本 1000 页的教科书成本略超 1 美元、耗时几分钟，且一次构建后所有后续问题都可以复用。PageIndex 的设计不依赖索引时使用的模型，因此在我们实验中基础模型不会影响质量。

索引时间也随文档长度可预测地增长。在同样的本地环境下，基准测试文档（9 到 1098 页）的索引时间约为 13 秒到 4.5 分钟。

查询成本与精度

PageIndex-OSS-Benchmark 精确测量了上述快速入门中的配置（PageIndexClient() 本地模式、flash 索引、无 OCR），测试对象为 MMLongBench-Doc-V2 中的 62 个查询问题，涉及 34 份 PDF（1945 页）。每个问题的答案都是行文中明确陈述的事实，因此答案错误是检索或阅读失败，而非推理失败。

完整结果、数据和运行脚本均在 benchmark 仓库中。

每次查询成本对比原生 PDF 输入

另一种方案是每次提问时将完整 PDF 交给模型处理。该成本随文档增长而增长，而 PageIndex 的成本不会，因为它只读取推理所触及的节点。在两种方式返回相同答案的文档上，原生 PDF 输入在 52 页时成本是 PageIndex 的 2.1 倍，在 420 页时是 16.6 倍（gpt-5.6-sol，排除 prompt caching）——而在 805 页时文档已无法放入 context window。

FinanceBench 精度领先

PageIndex 在 FinanceBench（金融文档 QA 基准）上达到了 98.7% 的先进精度，大幅超越基于向量的 RAG。

探索完整的 FinanceBench 评估结果和博客文章。

开源版本非常适合文本密集型 PDF 和本地工作流。使用 PageIndex Cloud，文档索引和存储在云端运行：PageIndex 负责解析、OCR、图像理解、树索引构建和托管存储。而聊天和检索层与你的模型保持兼容，因此你可以使用应用程序已有的模型提供商来搜索云端托管的索引。

将从本地迁移到云端只需要一个 PageIndex API Key：

import os
from pageindex import PageIndexClient

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

client = PageIndexClient(
    index="cloud",                       # build and store the index in PageIndex Cloud
    chat="gpt-5.6-sol",                  # use your preferred compatible model for chat
)
doc_id = client.submit_document("report.pdf", wait=True)["doc_id"]
print(client.chat("What was the 2023 operating margin?", doc_id=doc_id))

更多关于 PageIndex Cloud

Scale PageIndex to Millions of Documents: PageIndex File System 是一种仅限云端的文件级树索引层，让 PageIndex 能够对整个语料库进行推理，而非仅限于单个文档。

获取 PageIndex API Key

阅读 PageIndex Cloud 文档

如需专用部署（VPC 或本地），请联系我们或预约演示。

如果喜欢我们的项目，请给我们一个 star 🌟。谢谢！

请按以下方式引用本工作：

Mingtian Zhang, Yu Tang and PageIndex Team,
"PageIndex: Next-Generation Vectorless, Reasoning-based RAG",
PageIndex Blog, Sep 2025.

@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},
}