PageIndex Vibe 项目

项目简介

PageIndex 是一个无向量、推理驱动的 RAG（检索增强生成）引擎，模拟人类阅读文档的方式工作。与传统向量数据库依赖语义相似性匹配不同，PageIndex 通过构建文档的分层树形索引，并让大语言模型像人类专家一样在索引中有逻辑地导航查找答案，从而实现精确、可溯源、可解释的检索结果。该项目在 FinanceBench 金融文档分析基准测试中达到 98.7% 准确率，位居当前市场最高水平。

核心功能

精准推理检索：用 LLM 推理取代向量相似度搜索，在长文档中找到真正相关的内容，而非语义相似但实际无关的片段。

结果完全可溯源：每条检索结果都附带精确的页码和章节引用，答案可以直接审计来源，彻底告别向量检索的「黑盒」困惑。

无需向量数据库：不需要 Embedding 模型、不需要向量数据库、不需要分块（chunking），消除了一整套昂贵的向量基础设施。

支持 MCP 协议：提供 MCP Server 端点，可直接接入 Claude Code 等 AI 编程助手，作为记忆与检索模块使用。

本地模式可用：2026 年 8 月起，PageIndex SDK 支持本地离线运行 pip install -U pageindex，在本地完成索引、检索和对话，不依赖云端。

技术实现

PageIndex 的核心思想来自 AlphaGo 的启发：用树形索引替代向量索引，让 LLM 在树上做有逻辑的检索而非暴力相似度匹配。检索流程分为两步：

索引阶段（Index）：对每个文档生成一颗树形结构索引，模拟书的目录结构，保留文档的层级语义关系。

检索阶段（Retrieve）：给定查询时，LLM 扮演专家角色，在树上有策略地导航，从相关节点提取答案，而非在全体文本中做向量最近邻搜索。

这与向量检索的本质区别在于：向量搜索找到的是「相似」的片段，而 PageIndex 找到的是「相关」的片段——相关不等于相似，这在专业文档（金融报告、法律合同、医疗记录）中尤为关键。

快速上手

第一步：安装 SDK pip install -U pageindex，本地模式无需 API Key，云端模式在 dash.pageindex.ai 获取 Key。

第二步：索引文档，用 Python SDK 加载 PDF 或 Markdown 文件，生成树形索引。

第三步：发起检索，调用 retrieve() 方法，传入自然语言问题，获得带页码引用的答案。

第四步：接入 MCP，在 Claude Code 等支持 MCP 的编辑器中配置 MCP Server 端点 https://mcp.pageindex.ai/mcp，即可让 AI 助手拥有文档推理能力。

适用人群

金融分析师和投资经理（需要从年报、SEC 文件中精准提取数据）、法律从业者（合同审查与判例检索）、医疗与科研人员（医学报告和学术论文分析）、AI 应用开发者（需要高准确率 RAG 方案的产品团队）。

官方链接

官网：https://pageindex.ai 文档：https://docs.pageindex.ai GitHub：https://github.com/VectifyAI/PageIndex MCP 服务端点：https://mcp.pageindex.ai/mcp