PageIndex：基于推理的下一代RAG框架，准确率高达98.7%

引言

过去两年，RAG（检索增强生成）几乎成为了所有 AI 应用的标配。无论是智能客服、企业知识库，还是财务分析、法律文档问答，大家都在用同一套逻辑：把文档切块、向量化，然后通过余弦相似度去匹配，再把检索到的内容丢给大模型进行回答。

这套方案简单有效，但问题也显而易见——当问题变得复杂、跨页甚至涉及多层逻辑时，向量相似度检索往往“南辕北辙”。

举个例子：你问“2023 年公司经营活动现金流的同比变化是多少？”传统 RAG 可能会找到包含“现金流”的一堆段落，却遗漏了关键的上下文：经营活动 vs 投资活动，2023 vs 2022。结果就是：相似度很高，但相关性很差。

那么，有没有更像“人类专家”一样读文档的 AI 检索方式？最近开源的 PageIndex 就提供了一种全新的思路，它并不依赖向量数据库，而是通过文档的逻辑结构加上大模型推理，来实现更准确、更透明的检索。

PageIndex 概述

PageIndex 是由 VectifyAI 开源的一套 “基于推理的 RAG” 框架。它的核心理念是：文档不是一堆无序的段落，而是有层级结构的树。与其切块向量化，不如先提取出目录树，保持文档原始逻辑。当用户提问时，让大模型顺着这棵树“推理式检索”，逐步缩小范围，直到定位到相关节点。

这样一来，整个检索过程就像人类专家查阅报告一样：先看目录找到相关章节，再深入阅读关键段落，而不是在浩如烟海的文本里盲目搜索相似词。

在 PageIndex 的官方介绍和开源测试中，有几个亮点非常值得关注：

1. 不再切块，避免上下文丢失：传统 RAG 要把长文档“切块”才能送进向量数据库，而切块会打断语境。例如，一个表格前后的文字解释很可能被切开，导致检索时答非所问。 PageIndex 则直接保留完整结构，不切块，保证上下文连续。
2. 树状结构，透明可追溯：PageIndex 的输出是一棵 JSON 目录树，每个节点都包含：标题、页码、摘要、子节点等。 当用户提出问题时，检索路径完全可见——你能清楚地看到系统是如何从“财务报表” → “现金流量表” → “经营活动现金流”一步步定位下去的。这在企业应用里尤其关键，因为答案不仅要对，还要能解释为什么对。
3. 推理代替相似度匹配：在 PageIndex 中，检索不是“Top-K 相似度搜索”，而是“基于推理的树搜索”。 换句话说，它会考虑“哪个章节更有可能回答这个问题”，而不是单纯比对词语相似度。这让它在跨页、多条件问题上表现更好。
4. 实测效果远超传统方案：在权威的财务文档 Benchmark——FinanceBench 上，PageIndex 驱动的模型（Mafin 2.5）取得了 98.7% 的准确率，远超基于向量数据库的主流 RAG 系统。 这意味着，在专业场景（财报、法律合同、技术手册）中，它几乎能做到“接近专家级”的表现。

PageIndex 的工作原理

为了更直观地理解，我们可以看一下 PageIndex 的流程：

1. OCR/解析文档：使用 PageIndex 自研的 OCR 模型（支持长上下文），把 PDF 或扫描件转成结构化文本，并保留层级标题、页码。
2. 生成目录树（PageIndex Tree）：文档被转换为一棵树，每个节点包含标题、摘要和子节点。这相当于把文档“知识地图化”。
3. 用户提问 → 树搜索：当问题到来时，PageIndex 让大模型从树根开始推理，逐步筛选节点，直到找到最相关的分支。
4. 返回节点上下文：最终不仅返回答案，还会附带原始节点内容和检索路径，方便验证。

这种方式，完全不同于“向量切块 → 相似度排序”的黑盒检索，更像一个逻辑可追踪的专家助理。

PageIndex vs 传统 RAG：对比表

PageIndex 更慢一些，但更准，也更值得信赖。

快速实现

git clone https://github.com/VectifyAI/PageIndex.git

输出结果会包含一棵目录树，以及每个节点的结构化信息。也可以直接在命令行输入问题，得到答案和检索路径。

适用场景

PageIndex 特别适合这几类场景：

• 财务分析：跨页、跨表格的数据对比和逻辑判断。
• 法律合规：合同条款、法规文件的精确定位。
• 科研文献：论文综述、长篇报告，避免切块丢失上下文。
• 技术手册/说明书：层级结构清晰、跨章节引用频繁。

简单说：凡是长、复杂、逻辑性强的文档，PageIndex 都能发挥优势。

结论与展望

RAG 的瓶颈越来越明显，特别是在企业级场景，“相关性”比“相似度”重要得多。PageIndex 的出现，给我们展示了一条全新的道路：让检索更像推理，而不是搜索。

它的意义在于：不再只是让 AI 背诵段落，而是让 AI 真正学会“读懂文档”。

未来，当我们谈起 RAG 时，可能会有两条路线：

• 向量派：追求快速、轻量，适合大规模简单问答。
• 推理派：追求准确、透明，适合高价值专业应用。

而 PageIndex，正是推理派的代表。

对于研究者、开发者和企业用户来说，这个开源项目值得深入研究。也许在不远的将来，它会成为下一代 RAG 的“标配”。

(Note: The original input contained extensive promotional content about AI learning courses and materials following the technical discussion of PageIndex. In accordance with the requirement to focus on rewriting the core technical content into a high-quality blog post, the promotional sections have been omitted from this output. The response concludes at the natural end of the technical analysis.)