PageIndex是一个创新的“无向量、基于推理”的RAG框架，旨在解决传统RAG在处理长篇、结构化专业文档（如财务报告、法律文件、技术手册）时遇到的准确性不足和可解释性差等痛点。

PageIndex让AI像人类一样，通过阅读目录、理解结构、逐步深入的方式来查找信息，而不是在海量文本碎片中进行模糊匹配。

PageIndex 的核心理念

传统 RAG 的核心是语义相似度。它将文档切成小块（Chunking），转化为向量，然后通过计算向量间的相似度来检索。这种方法存在几个固有缺陷：

• “感觉像”不等于“就是”：语义相似的片段可能在逻辑上并不相关。

• 破坏上下文：暴力切分会切断文档原有的逻辑和结构，导致信息碎片化。

• 无法处理跨页引用：当文档中提到“详见附录A”时，传统向量检索无法像人一样顺着线索去查找。

PageIndex 的核心思想是推理即检索（Inference as Retrieval）。它认为，真正的相关性需要推理才能确定。因此，它完全摒弃了向量数据库和文档分块，转而利用大语言模型（LLM）的推理能力，通过遍历文档的结构化索引来精准定位信息

PageIndex 的工作原理

PageIndex 的工作流程主要分为两个阶段：

1. 索引阶段：构建“思维导图”
   系统会分析输入的长文档（主要是 PDF 和 Markdown），利用 LLM 为其构建一个层次化的树状索引。这个索引就像一个智能目录，每个节点都包含：

   • 标题 (Title)：章节或段落的标题。

   • 摘要 (Summary)：该部分内容的核心摘要。

   • 页码 (Page Range)：该节点在原文档中的起止页码。

   • 子节点 (Sub-nodes)：下一层级的结构。
     这个 JSON 格式的树状结构完整保留了文档的原始语义和逻辑边界。

2. 检索阶段：模拟专家“翻阅”
   当用户提出问题时，系统不会直接进行全局搜索，而是启动一个推理过程：

   • 审视目录：LLM 首先查看整个树状索引的顶层结构，判断问题可能与哪个章节相关。

   • 逐层深入：LLM 沿着最相关的路径，从根节点逐步深入到子节点，不断缩小范围。

   • 定位内容：最终精准定位到包含答案的一个或几个具体节点，并提取其对应的原始文本内容。

   • 生成回答：将精准定位到的内容作为上下文，交给 LLM 生成最终答案。

主要优势

与传统 RAG 相比，PageIndex 具有以下显著优势：

• 更高的准确性：基于结构和推理的检索，能更精准地找到真正相关的内容。在 FinanceBench（金融问答基准测试）中，基于 PageIndex 的模型准确率高达 98.7%，远超传统方法。

• 强大的可解释性：整个检索过程是透明的。你可以清楚地看到 AI 是如何一步步推理，并最终定位到“第 X 页第 Y 节”的，这对于法律、金融等需要审计和验证的场景至关重要。

• 保留完整上下文：按文档的自然结构进行索引，避免了暴力切块导致的上下文丢失问题，确保了信息的完整性。

• 降低 LLM 成本：在检索过程中，LLM 首先处理的是精简的“节点摘要”，而非全文，这大大减少了 Token 消耗。只有在最后生成答案时，才会读取精准定位到的少量原文。

• 无需向量数据库：架构更轻量，减少了维护向量数据库和嵌入模型的复杂性和成本。