AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日
用树形索引和LLM推理替代向量检索的RAG引擎,适合长文档问答。
PageIndex 是一个无需向量数据库和文本分块的检索增强生成(RAG)引擎。它先为每份文档生成树形结构索引,再让大模型在树上推理搜索,模拟人类翻阅长报告的方式。项目由 VectifyAI 开源,采用 MIT 许可,主要面向金融报告、法律文书、技术手册等长而复杂的专业文档。
推荐指数
思路新颖且工程完整,适合被向量检索精度困扰的长文档场景,但依赖 LLM 推理会带来查询成本和延迟。
近 7 天
+102
新增 Star
总 Star 排名
#148
雷达追踪的 3,971 个 AI 仓库中
创建于
2025
2025年4月1日
核心亮点
1无需向量库
用树形索引替代向量索引,省去向量数据库和分块流程。
2推理式检索
由 LLM 在树结构上逐步推理定位相关章节,而非做语义相似度匹配。
3结果可追溯
检索结果能对应到文档中的明确位置,便于核查和引用。
4索引成本低
README 称本地建树约每页 0.001 美元,千页文档一次性成本约一美元。
5支持 Agent 集成
可作为工具接入 OpenAI Agents SDK、Claude Agent SDK 等框架。
适用场景
长文档问答
例如:对一份 300 页的上市公司年报提问“2023 年营业利润率是多少”,系统定位到对应章节后作答。
法律与合规检索
例如:在监管文件中查找与某条款相关的段落,并给出可追溯的页码或章节引用。
技术手册查询
例如:工程师用自然语言询问设备维护步骤,系统从手册树中推理出相关章节。
Agent 知识工具
例如:把 PageIndex 作为检索工具挂到 Agent 工作流中,让 Agent 按需查阅本地文档库。
它是怎么工作的
第 1 步
提交文档
通过 SDK 提交 PDF 等文档,获得文档 ID。
第 2 步
生成树索引
从文档版面提取层级结构,再由基础模型总结和精炼成树形索引。
第 3 步
推理检索
收到问题时,由较强的聊天模型在树索引上逐步推理,定位相关节点。
第 4 步
生成回答
基于定位到的内容组织答案,并可附带引用位置。
快速上手
- 1
安装 SDK
通过 pip 安装 pageindex 包。
pip install -U pageindex - 2
配置模型与密钥
设置 OpenAI API Key,并分别指定建索引和问答所用的模型。
export OPENAI_API_KEY="your-openai-key" - 3
提交文档并提问
创建客户端,提交 PDF 获得 doc_id,再调用 chat 提问。
client = PageIndexClient(index="gpt-6-luna", chat="gpt-6-sol") doc_id = client.submit_document("report.pdf")["doc_id"] answer = client.chat("What was the 2023 operating margin?", doc_id=doc_id)
适合谁
- 需要处理长专业文档问答的开发者
- 对向量检索精度不满意、愿意尝试推理式检索的团队
- 构建 Agent 工作流并需要文档检索工具的人
- 有 OpenAI 或 Claude 等模型 API 使用条件的项目
不太适合
- 完全离线、不能调用外部 LLM 的场景
- 对查询延迟和 token 成本非常敏感的高频检索场景
成熟度
- 活跃度2025 年 4 月创建,最近一次推送在 2026 年 11 月,更新频繁。
- 文档README 结构清晰,有快速开始、模型建议和基准数据,并链接到独立文档站。
- 社区约 4 万 star、3400 多 fork,关注度高;175 个开放 issue 说明讨论活跃。
- 上手难度pip 安装后几行代码即可跑通,但需要自备 LLM API Key 并理解建索引与问答模型的分工。
同类项目怎么选
- LlamaIndex以向量索引和多种检索器为主,PageIndex 则完全不用向量,靠树索引加 LLM 推理。
- RAGFlow提供完整的 RAG 平台和可视化界面,PageIndex 更偏向轻量 SDK 和推理式检索方法。
- LangChain通用 LLM 应用框架,检索只是其中一部分;PageIndex 专注文档树索引与推理检索。
使用前注意
- · 查询阶段依赖 LLM 推理,token 成本和响应延迟会随文档规模和问题复杂度上升。
- · 需要配置 OpenAI 等模型 API Key;使用 Claude 订阅方式需额外安装 claude 扩展。
- · README 中的成本数据基于特定模型和文档样本,实际费用会因文本密度和模型选择而变化。
- · 项目采用 MIT 许可,商用前仍建议核对依赖模型服务商的条款。
