传统RAG依赖向量数据库与文档切片，在金融、法律等长文档场景中常因语义相似≠逻辑相关而失效。PageIndex另辟蹊径，通过索引树构建与LLM驱动的推理式检索，实现可解释、高精度的长文档问答。
智能速览
摒弃向量数据库与文档切片，保留原始章节结构和上下文完整性
以目录式索引树替代嵌入向量，支持页级、节级精准定位
在FinanceBench基准测试中准确率达98.7%，显著优于传统RAG方案
检索路径全程可追溯，明确标注引用页码与章节，具备强可解释性
MIT开源，支持本地部署、自定义模型及MCP协议集成
精华内容
当一份200页的SEC财报摆在面前，人类专家不会逐字扫描，也不会把PDF撕成碎片扔进向量库——PageIndex正是将这种结构化阅读逻辑转化为工程能力。
痛点根源
传统RAG将长文档强制切片后向量化，导致跨段落逻辑断裂。实测显示，在金融问答任务中，语义相似度前5的切片仅32%包含问题所需的关键推理链；而68%的误检结果源于标题或术语表面匹配，实际缺乏因果、时序或条件约束等深层相关性。
索引树机制
PageIndex解析PDF时自动识别层级标题、页码范围与语义摘要，生成分层索引树。例如一份年报被建模为：根节点（公司概况）→子节点（财务风险，p45–62）→孙节点（汇率敞口，p51–53）。每个节点Token数可控，默认上限512，确保LLM能完整理解上下文边界。
推理式检索
用户提问后，系统调用LLM作为Agent执行树遍历：先判断‘需查阅哪个主章节’，再递归聚焦至子节。在处理‘2023年Q3净利润下滑是否由原材料成本驱动？’时，Agent跳过‘管理层讨论’全章，直接定位至‘成本分析’子节（p78–81），耗时平均2.3秒，较暴力向量检索快1.8倍。
实测表现
基于FinanceBench的1,247个真实金融问答样本测试，PageIndex驱动的Mafin 2.5系统准确率达98.7%，较主流向量RAG方案（LlamaIndex+Chroma）提升11.2个百分点。尤其在需多步推导的问题上（如‘对比2022与2023年应收账款周转率变化，并分析其对现金流的影响’），正确率差距扩大至23.6%。
部署实践
本地运行仅需Python 3.10+环境，单条命令即可完成索引构建：python3 run_pageindex.py --pdf_path ./10k_2023.pdf。默认调用GPT-4o，切换至本地Qwen2-7B需修改model_name参数；视觉RAG模块可直接解析扫描版PDF图片，OCR错误率低于4.1%，无需预处理。
PageIndex不是对现有RAG的微调，而是对‘如何让大模型真正理解文档’这一命题的重新回答。它把结构还给文档，把推理权交给模型，把解释权交还给使用者。当行业开始追问‘为什么这个答案来自第52页而非第53页’，这类可溯、可验、可调的架构，或将定义下一代企业级RAG的标准形态。未来，结构感知是否将成为长文本处理的必选项？
