不做向量检索，让 LLM 像人一样翻目录

向量检索的隐含假设是相似等于相关，但在财报、法律文书、技术手册这类长专业文档里，这个假设经常失效：答案所在段落可能和问题字面毫不相似。GitHub 周榜新面孔 VectifyAI/PageIndex（38.8k stars，周增 2,860，MIT 协议）干脆把向量扔了，做了一套无向量、靠推理的 RAG。

项目简介

PageIndex 的灵感来自 AlphaGo：不用检索近似，用推理搜索。索引侧，每份文档生成一棵层级树索引，树结构直接来自文档版式，不需要 LLM 参与，索引模型只负责摘要与提炼；检索侧，LLM agent 沿树推理下行，就像人翻开年报先找章节再找小节。README 的对比表写得很清楚：树索引对向量索引、推理检索对相似检索、可回溯的显式引用对黑盒输出、完整上下文（对话历史加领域知识）对单一查询嵌入。

三笔账

成本账：本地索引约每页 0.001 美元，一本千页教材一美元出头；对比把整份 PDF 直接喂模型，52 页时贵 2.1 倍，420 页时贵 16.6 倍，805 页直接超出上下文窗口。速度账：9 到 1,098 页的文档，索引耗时 13 秒到 4 分半。质量账：FinanceBench 准确率 98.7，README 称为当前最佳。

快速上手

pip install -U pageindex

用 PageIndexClient 配一个 OpenAI key，提交 PDF 拿到 doc_id 后直接 client.chat 提问。官方建议索引用基础模型省钱、问答用能负担的最好模型。本地模式处理文本型 PDF，PageIndex Cloud 补上 OCR、图片理解、块级引用与 MCP server；八月更新加入了 Flash 快速树索引（现为本地默认）、文件系统级的语料索引与文档分析应用。

适合谁用

处理长专业文档的场景是主场：金融研究、法务尽调、医疗文献、教材知识库。与站内写过的 CANOPY（多模态证据压缩）、MRVQ（弹性向量索引）放在一起看更有意思：向量路线在卷压缩与档位，PageIndex 直接换了赛道，两派在长文档场景必有一战。98.7 的口径来自 README 自述，落地前建议用自家文档先跑对照。