PageIndex说RAG不需要向量数据库了

RAG 真的不需要向量数据库了吗？开源项目 PageIndex 提出了一种极具颠覆性的思路：彻底抛弃向量检索与切片（Chunking），改用“树状索引 + LLM 推理”的架构，直接解决长文档检索中最致命的痛点。

在处理财报、法律合同、技术手册等长难文档时，传统向量 RAG 经常翻车。核心原因在于：相似度（Similarity）不等于相关度（Relevance）。向量相似度检索本质是“语意氛围匹配”，面对复杂的逻辑跳转和上下文依赖，常常找出一堆“看着相似但毫无用处”的内容，反而漏掉真正关键的信息。

PageIndex 受 AlphaGo 启发，模拟人类专家的阅读逻辑：

构建树状层级索引（Tree Index）：先从文档版面解析出逻辑树结构，再用轻量模型对节点做总结与提炼，完全不需要分块和向量嵌入。

LLM 推理检索：面对提问时，Agent 像翻书查阅目录一样，逐层推理并定位目标章节与段落，检索路径全程清晰、可追溯。

亮眼表现与实测数据：

SOTA 级准确率：在权威金融评测集 FinanceBench 上达到 98.7% 的准确率，而传统向量 RAG 仅约 50%。

极低的本地建索引成本：本地模式下索引成本低至 $0.001/页，千页专业文档仅需约 1 美元与几分钟即可建完，且支持持久化复用。

Token 消耗远低于全文档喂入：相比直接向大模型塞入整份长 PDF，PageIndex 在 420 页文档下可降低 16.6 倍 的查询成本，彻底避免大文档撑爆上下文窗口。

灵活部署：本地 SDK 支持全私有化运行；云端版还进一步扩展了 OCR、多文档文件系统（File System）及 MCP Server 支持。

如果你也在为复杂文档的 RAG 准确率发愁，不妨体验一下这种“回归人类推理阅读逻辑”的新解法。