传统RAG在长文档中常因语义偏移和分块失当导致答案错位。PageIndex通过抛弃向量数据库、构建语义树索引与推理式树搜索，在FinanceBench测试中实现98.7%准确率，为专业文档分析提供可解释、高精度的新路径。
智能速览
PageIndex不依赖Embedding向量，采用语义树结构替代传统分块索引
检索过程模拟人类翻阅逻辑：先看大纲→定位章节→聚焦段落
在FinanceBench金融文档基准测试中准确率达98.7%
支持PDF/Markdown原生解析，无需OCR或人工调参
每层树搜索均调用LLM推理，决策路径全程可追溯
轻量化部署，免向量数据库，但推理Token成本高于传统方案
精华内容
当检索不再靠‘算相似度’，而是让模型真正‘读懂结构’，长文档问答的精度瓶颈开始松动。
告别分块玄学
传统RAG必须将文档切分为固定长度Token块（如512或1024），极易切断标题-正文、条款-依据等逻辑关联。PageIndex完全取消人工分块，直接解析PDF或Markdown的原始层级结构，将文档转化为根节点（全局摘要）、中间节点（章节+页码范围）、叶子节点（段落）组成的语义树。实测显示，对一份127页的上市公司年报，其章节识别准确率达100%，且保留了‘董事会报告→第四节经营情况讨论→子项研发投入’的完整路径依赖。
推理式树搜索
用户提问后，PageIndex启动三阶段推理循环：首先由LLM读取根节点大纲，判断答案所属主分支；再逐层进入子节点，依据上下文摘要决定是否深入；最终定位到具体页面或段落。在测试中，针对‘2023年研发费用同比变动率’这一问题，传统RAG因‘研发’‘费用’‘同比’等词分散在不同块中，返回错误表格；PageIndex则在3轮推理内精准锁定财报附注第15条，并提取出‘同比增长12.6%’的完整数值及单位。
可解释性突破
每次检索均可输出LLM的逐层决策日志：例如‘因问题含‘同比’，排除‘资产负债表’分支；‘研发投入’指向‘管理层讨论’章节；进一步根据‘2023年’时间限定，跳过2022年分析段落’。在法律合同场景中，该能力使律师能快速验证AI是否真正理解‘不可抗力条款’与‘终止条件’的从属关系，而非仅匹配关键词。对比LangChain默认配置，PageIndex的检索路径透明度提升100%，误判归因时间缩短至原来的1/5。
精度与成本权衡
在FinanceBench基准测试中，PageIndex对金融年报类长文档的问答准确率为98.7%，较主流向量RAG方案平均高出32.4个百分点；但在百万级客服对话模糊检索任务中，其单次查询平均消耗2100 Token，响应延迟达3.8秒，而传统方案仅需120 Token与0.4秒。这意味着：处理单份深度研报时，PageIndex是精度首选；面对高频、低精度要求的海量短文本，则仍需回归向量方案。二者并非替代关系，而是任务分层适配。
PageIndex没有优化旧范式，而是重新定义了RAG的底层逻辑——从‘找相似’转向‘做推理’。它证明结构化先验知识与LLM推理能力结合，能在专业场景中显著压缩幻觉空间。未来，当更多垂直领域开始构建自己的语义树规范，检索或将真正成为AI理解文档的起点，而非终点。下一个关键问题是：语义树的自动化构建标准，会由社区共识还是商业平台主导？
