PageIndex：基于推理的 RAG 新架构
PageIndex 是 VectifyAI 推出的一种新型文档检索架构，并非传统向量 RAG 的替代品，而是一种基于推理（Reasoning-based）的 RAG 进化方案。
它通过消除向量数据库（Vector DB）和传统的切片（Chunking）过程，专门解决传统 RAG 在处理复杂、长文本时的痛点。
与传统 RAG 的核心差异
传统 RAG 依赖"向量相似度"搜索，而 PageIndex 模仿的是人类查阅文档的方式：
| 维度 | 传统向量 RAG | PageIndex |
|---|---|---|
| 检索方式 | 向量余弦相似度 | LLM 推理逐级定位 |
| 文档处理 | 切片（Chunking） | 保留原始结构，构建树状索引 |
| 索引形式 | 向量数据库 | 层级目录树（摘要 + 标题） |
| 跨章节关联 | 弱 | 强，可在树状结构中跳转 |
| 速度 | 快（毫秒级） | 慢（多次 LLM 调用，可能十几秒） |
| 成本 | 低 | 高（每次检索消耗 Token） |
工作原理
PageIndex 的检索流程分两个核心阶段：
阶段一：构建树状索引
它不会将文档切碎，而是利用 LLM 分析文档结构，生成一个层级分明的"智能目录树"。每一层包含摘要和标题，而不是原始全文。
阶段二：推理检索
当用户提问时，LLM 查看这棵"树"，先在顶层判断"这个问题应该在哪个章节？"，然后逐级深入，直到定位到具体段落。
解决了哪些传统 RAG 的痛点
- 切片破坏语境：传统 RAG 如果把一段话切成两半，AI 就读不懂了。PageIndex 保留了文档的自然结构。
- 语义距离不等于正确答案：有时候相似的语义并不代表是正确的答案。PageIndex 通过逻辑推理来找答案，而不是靠计算数学距离。
- 跨章节关联：比如"财报中 A 节的收入对比 B 节的成本"，传统 RAG 很难同时精准抓取。PageIndex 可以像人一样在树状结构中跳转。
局限性
虽然 PageIndex 在金融文档（如 FinanceBench 测试）中表现远超传统 RAG，但也有明显的权衡：
- 延迟高：检索过程涉及多次 LLM 推理调用，速度远慢于向量数据库检索
- 成本高：每次检索都在消耗 Token，不适合高并发、低延迟的场景（如客服机器人）
- 规模限制：目前更适合针对单篇或少量长文档深度挖掘，不适合百万量级文档库的大海捞针
适用场景
以下场景推荐尝试 PageIndex：
- 需要处理超长 PDF（如 200 页的标书、年报）
- 对准确率要求极高，不能容忍 RAG 常见的"张冠李戴"
- 想要集成到 AI Agent 中（PageIndex 提供了 MCP Server 支持，适合与 Claude Code 配合使用）
以下场景建议继续使用传统向量 RAG：
- 需要快速检索海量 Wiki 页面或知识库
- 并发量大、对响应时延有要求
- 成本敏感型项目
:::tip 选择建议 两者并不互斥。可以用传统 RAG 做粗筛，再用 PageIndex 对高价值文档做精准深挖。 :::