dalao.ai

PageIndex

不用向量库、不切块的长文档推理检索：树状索引加 LLM 推理，答案带页码出处开源

关于 PageIndex

PageIndex 是一套不用向量库、不切块的长文档检索引擎：先为每份文档生成树状索引，再由 LLM 沿着这棵树推理，找到相关章节并给出带出处的答案。开源 SDK 有本地与云端两种模式，本地模式用 PageIndex Flash 从 PDF 版式直接抽取结构，云端模式另做 OCR 和图像理解。截至 2026-10-26，PyPI 包 pageindex 最新为 0.4.7，GitHub 发布时间 2026-10-24 19:12 (UTC+8)。代码为 MIT 许可；云端按页计费，索引每页 $0.01，活跃页每页每月 $0.001，前 1,000 页免费。

编辑部更新于 阅读约 6 分钟

它解决什么问题

常见的 RAG 做法是把文档切成固定长度的块，按向量相似度召回。PageIndex 的 README 认为相似不等于相关：在财报、法规、技术手册这类长篇专业文档里，能回答问题的段落可能和提问用词完全不同，需要结合前后内容并多步推理才能找到。

PageIndex 的做法分两步。索引阶段为每份文档生成层级树，节点含标题、页码范围、摘要和子章节，相当于一份给 LLM 用的目录；检索阶段由 LLM 带着问题在树上逐层推理，只读推理路径上的节点，再给出答案和引用。整个过程不需要向量库，也不切块。

产品形态。开源 SDK 通过 PyPI 包 pageindex 发布，要求 Python 3.10 以上，提供本地和云端两种模式；此外还有网页版 Chat App、面向开发者的 PageIndex Cloud、MCP 服务器，以及可部署到客户自有云的 Enterprise 版本。

代码仓库是 VectifyAI/PageIndex，2025-04-01 18:53 (UTC+8) 创建，主分支为 main。近期发布：v0.4.5 于 2026-10-23 00:40 (UTC+8)，v0.4.6 于 2026-10-24 00:10 (UTC+8)，v0.4.7 于 2026-10-24 19:12 (UTC+8)。

出品方是 Vectify AI，服务条款中的签约主体为 Vectify AI Limited，公司编号 14827188，LICENSE 的版权人为 Vectify AI。About 页的创始人栏目列出四位创始人：Mingtian Zhang、Yu Tang、Peter Hayes、David Barber，并写团队由有研究背景的 AI 研究者组成。

similarity ≠ relevance — what retrieval actually needs is relevance, and relevance requires reasoning.

PageIndex README

核心能力

树结构不靠 LLM 生成。README 写明树结构从文档版式中抽取，不调用 LLM；索引模型只负责摘要和整理，因此用基础模型即可。检索用的对话模型则直接决定准确率，换用更强的模型或调高推理强度时不必重建索引。

PageIndex Flash。2026-08-26 发布的 Flash，是本地模式的默认索引器，面向长篇文字型 PDF，直接解析 PDF 自带的版式，而不是让视觉模型从零推断目录。官方博客写，用 gpt-5.6-luna 做索引模型时每页成本约 $0.001，9 到 1,098 页的基准文档建索引耗时约 13 秒到 4.5 分钟（均为官方自述）。

块级引用。更新日志写，2026-09-16 起云端答案引用到具体版式块而非整页，2026-09-13 起索引的云端文档才带块信息。开发者页写，块对应页面上的坐标框，可在自有阅读器里高亮。本地模式的引用只到页。

多文档与集成。SDK 支持流式输出、多文档检索和引用；README 写可接入 OpenAI Agents SDK、Claude Agent SDK 等智能体框架。v0.4.5 起可经 Claude Code 使用 Claude 订阅额度调用模型，安装 pageindex[claude] 扩展即可。

PageIndex File System。2026-05-03 的博客介绍文件级树索引层，用于在整个文档库而非单份文档上推理检索，README 标明为云端专属功能。

谁在用

开发者页写开源仓库 35k+ 星标、云端 30k+ 开发者（均为官方自述）。截至 2026-10-26，GitHub API 显示 39,685 个星标、3,430 个 Fork、16 位贡献者；PyPI 上 pageindex 共发布 53 个版本。

官方基准成绩（均为官方自述）：

  • FinanceBench 上，基于 PageIndex 的 Mafin 2.5 准确率 98.7%。
  • 开发者页基于 NVIDIA 10-K 的 63 个问题，PageIndex 准确率 100%，每千次查询成本 $110；向量检索对比六种嵌入模型、top-k 10 到 100，各模型结果为一个区间，最高为 Voyage 4 在 top-100 时的 92.1%，每千次查询 $134。
  • MMLongBench-Doc-V2 的文字查找题上，对话模型为 gpt-5.6-luna、gpt-5.6-terra、gpt-5.6-sol 时准确率分别为 85.5%、90.3%、96.8%。
  • 与把整份 PDF 直接交给模型相比，52 页文档上后者成本高 2.1 倍，420 页时高 16.6 倍，805 页时超出模型的输入长度上限。

基准数据、代码、每次模型调用和账单都公开在 pageindex-benchmarks 仓库，供复算。

和同类比

和通用 RAG 框架比：LlamaIndex 为 MIT 许可，GitHub 描述为 the document processing platform for AI，提供包括向量索引在内的多种检索方式。PageIndex 只做树索引加推理检索，官方文档写明 no vector DBs or chunking。

和图谱式 RAG 比：Microsoft GraphRAG 为 MIT 许可，用 LLM 从非结构化资料中抽取实体和关系建成图谱。PageIndex 的树来自文档自身的版式，README 写明抽取过程不用 LLM，图结构也只限于单份文档的章节层级。

和代码图谱比：Graphify 为 Apache-2.0 许可，把代码库及其周边文档建成知识图谱，供 AI 编程助手查询。PageIndex 面向长篇 PDF 等专业文档，不处理代码结构。

README 自带的对照表把向量 RAG 与 PageIndex 并列：前者为向量索引加语义相似度检索，后者为树索引加 LLM 推理，结果可追溯到具体出处。

适合与不适合

适合：

  • 处理财报、法规文件、合同、技术手册、教材等长篇专业文档，需要答案带页码或版式块出处的团队。
  • 已有自选模型服务商、希望检索层不绑定特定模型的开发者：本地和云端模式都由用户自带 LLM。
  • 文档以文字型 PDF 为主、希望索引文件留在本机的场景：本地模式把索引和文档存在本地目录。
  • 需要私有部署的机构：Enterprise 版可部署在 AWS、Azure 或 GCP 上的客户自有 VPC 内。

不适合：

  • 以扫描件或图片为主、又只能用本地模式的场景：本地流程不做 OCR。
  • 要求文档内容完全不经过任何第三方模型的场景，除非对话和索引都改用自托管模型。
  • 只用 Python 3.10 以下版本的环境。

上手路径

安装。README 给出的命令是 pip install -U pageindex；用 Claude 订阅额度时安装 pageindex[claude] 扩展，另有 openai、anthropic 扩展。

本地模式。设置所用模型服务商的 API 密钥，创建 PageIndexClient 时分别指定索引模型和对话模型，再用 submit_document 提交 PDF，用 chat 提问，支持流式输出。

云端模式。在开发者控制台创建 PageIndex API 密钥，设为环境变量 PAGEINDEX_API_KEY，并把 index 参数设为 cloud；索引和存储改在云端完成，对话仍用自带模型。官方文档另有可在 Colab 打开的四个示例笔记本，覆盖长 PDF 索引、引用高亮、图片检索和查询成本估算。

定价与许可证

本地模式免费且开源，PageIndex 不收费；以下价格只针对 PageIndex Cloud，按用量计费，无月度最低消费：

  • 索引：每页 $0.01，在页面被索引时一次性收取。
  • 活跃页：每页每月 $0.001，月末结算，按天折算，前 1,000 页免费；删除文档后停止计费。
  • 检索：活跃页上不收检索费，LLM 费用由用户直接付给模型服务商。
  • 新账号有 $10 免费额度，不需要绑卡。
  • 早期 Standard、Pro、Max 订阅按原条款保留，订阅费等额转为额度，活跃页不收费；取消或变更后转为按用量计费。
  • 大用量、自定义索引、更高速率限制、私有云部署、SLA 和零数据留存需联系销售。

按定价页示例，3,000 页一次性索引 $30，之后每月 $2。

许可证：LICENSE 为 MIT License，版权人 Vectify AI。仓库中没有 CLA，也没有单独的商业许可证。云服务另受服务条款约束。

风险与局限

本地与外发的说法。Flash 博客写 Flash 完全在本机运行，文档不离开本机；同一篇博客写 Flash 使用用户自己的模型 API 密钥，README 写索引模型负责摘要、对话模型在树上检索。

扫描件。Flash 博客写本地流程直接解析 PDF、不做 OCR，只适用于文字型 PDF；扫描件和图片较多的文档交由云端处理。issue 106 于 2026-02-09 23:19 (UTC+8) 开立，报告自托管时扫描版 PDF 的树生成阶段很慢，截至 2026-10-26 仍未关闭。

服务条款与现行计费。定价页写按页计费、无月度最低消费，更新于 2026-09-18；服务条款更新于 2024-05-17，写的是订阅费、按 Datapoint 计的超额费，并以 GPT-3 的一次补全作为 Datapoint 示例。试用期条款写，试用结束时未购买订阅的，期间上传的数据将无法访问，服务方有权删除。

数字差异。README 写财务问答基准为 19 个 LLM 的 34 种配置，基准仓库写 20 个 LLM 的 35 种配置。README 快速上手示例的模型名为 gpt-6-luna 和 gpt-6-sol，Flash 博客和 README 基准段为 gpt-5.6-luna 和 gpt-5.6-sol。更新日志页脚写更新于 2026-09-18，页内最新条目为 2026-09-21。

开放问题。截至 2026-10-26，仓库有 51 个开放 issue，连同 PR 共 151 个。

零数据留存。云端的零数据留存不在自助计费范围内，需联系销售。

我们的判断

PageIndex 的特点是：树索引来自文档版式，不用向量库、不切块；答案可引用到页，云端可引用到版式块；开源 SDK 为 MIT 许可，本地模式不收费。

它的限制：索引和检索都要调用用户自带的 LLM；本地模式不做 OCR，只适用于文字型 PDF；定价页为按页计费，服务条款（更新于 2024-05-17）仍是订阅制写法；SDK 版本仍在 0.4.x。

资料来源

官方

  1. PageIndex - Get verifiable answers from complex documentspageindex.ai · 访问于 2026 年 10 月 26 日
  2. PageIndex Developer - The document retrieval layer for AIpageindex.ai · 访问于 2026 年 10 月 26 日
  3. About | PageIndexpageindex.ai · 访问于 2026 年 10 月 26 日
  4. PageIndex Terms of Service, Privacy Policy and DPApageindex.ai · 访问于 2026 年 10 月 26 日
  5. PageIndex Blogpageindex.ai · 访问于 2026 年 10 月 26 日
  6. Introducing PageIndex Flash: Fast Local Tree Indexing for PDFspageindex.ai · 访问于 2026 年 10 月 26 日
  7. What is PageIndex? - PageIndex Docsdocs.pageindex.ai · 访问于 2026 年 10 月 26 日
  8. Pricing for PageIndex Cloud - PageIndex Docsdocs.pageindex.ai · 访问于 2026 年 10 月 26 日

动态与深度阅读