VectifyAI/PageIndex

PageIndex – 無向量、基於推理的檢索增強生成

是什麼 – PageIndex 是一個開源的 RAG 引擎，以從文件佈局建立的 階層式樹狀索引 取代傳統的向量儲存 + 分塊流程。查詢時，LLM 會在樹上推理，利用其自身推理能力（以及完整的對話上下文）定位最相關的段落。結果是，無需任何向量資料庫，即可實現 可追蹤、可解釋、具上下文感知 的檢索步驟。

---

核心概念

概念	PageIndex 的實作方式
索引建立	將 PDF（或其他文字密集型文件）解析為反映文件邏輯結構（章節、段落、標題）的樹。輕量級 LLM 模型（index=）對每個節點進行摘要；樹本身由佈局生成，而非嵌入向量。
檢索	提出問題後，chat 模型（chat=）在樹上進行推理，逐步選擇節點，如同人類讀者一般。模型可看見完整的對話歷史、領域知識與任何外部上下文，因此相關性由推理驅動，而非純粹相似性。
無向量 / 無分塊	由於索引是決定性的樹，無需向量資料庫、相似性搜尋或固定大小的分塊。
可解釋性	模型在樹中行進的路徑可見，可提供清晰的引用（本地為頁面級，雲端為行級）。

---

快速入門（本機模式）

pip install -U pageindex

import os
from pageindex import PageIndexClient

os.environ["OPENAI_API_KEY"] = "your-openai-key"

client = PageIndexClient(
    index="gpt-5.6-luna",   # 用於建立樹的低成本模型
    chat="gpt-5.6-sol",    # 執行推理搜尋的模型
)

# 上傳 PDF 並取得文件識別碼
doc_id = client.submit_document("report.pdf")['doc_id']

# 提問 – 客戶端會自動為您遍歷樹
answer = client.chat("2023 年的營運利潤率是多少？", doc_id=doc_id)
print(answer)

相同的 SDK 可透過設定 index="cloud" 並提供 PAGEINDEX_API_KEY，用於 PageIndex Cloud。

主要功能

• 基於樹的索引，反映文件的邏輯層級。
• LLM 驅動的搜尋：模型決定下一步探索哪個節點，支援多步推理。
• 本機與雲端模式 – 可在本機部署整個流程，或由 PageIndex 的管理服務處理 OCR、影像理解及大規模語料庫（檔案系統層）。
• 成本效益高：索引成本 ≈ $0.001/頁；查詢成本與文件長度無關，因為僅將訪問過的節點傳送給模型。
• 可追蹤引用 – 每個回答均可回溯至精確頁面（本機）或行（雲端）。
• 即插即用 SDK，支援串流、多文件搜尋，以及 OpenAI/Claude 代理框架的預建工具。

---

基準測試與效能（如 README 所述）

• 索引建立 – $0.001/頁，PDF 頁數從 9 到 1,098 頁，耗時 13 秒至 4.5 分鐘。
• 查詢成本 – 在 52 頁時比將整份 PDF 輸入模型便宜 2.1 倍，在 420 頁時便宜 16.6 倍；超過約 800 頁時，全 PDF 方法會超出上下文視窗。
• 準確率 – 在 FinanceBench QA 基準測試中，PageIndex 達到 98.7% 的準確率，遠高於向量 RAG 的典型 ~50%。
• OSS 基準測試 – 附帶的 PageIndex-OSS-Benchmark 倉儲對 34 份 PDF（共 1,945 頁）中的 62 個查找問題進行評估，展現模型大小與每查詢成本之間的清晰權衡曲線。

---

典型使用情境

• 財務報告、監管申報、法律合約 – 相關性依賴領域知識與多步推理。
• 技術手冊與醫學文獻 – 長篇結構化文件，需精確引用。
• 企業知識庫 – 尤其適用於無需管理向量資料庫即可實現可解釋檢索的場景。

---

授權與貢獻

此倉儲為開源專案（README 未列出特定授權，請查看倉儲中的 LICENSE 檔案）。歡迎透過拉取請求貢獻程式碼；專案亦提供商業雲服務，用於 OCR、影像理解及大規模索引。

更多資訊

• 網站 / 文件 – https://pageindex.ai
• SDK 文件 – https://docs.pageindex.ai
• 部落格與基準詳情 – https://pageindex.ai/blog
• GitHub 基準倉儲 – https://github.com/VectifyAI/PageIndex-OSS-Benchmark

---

PageIndex 讓您像人類閱讀一樣從巨大而複雜的 PDF 中檢索資訊，無需向量或不透明的相似性分數的開銷。