传统RAG在处理长文档时常因语义匹配不准确和逻辑割裂而效果不佳。PageIndex创新性地提出无向量方案，通过构建树形索引，让AI像人类一样先看目录再找细节，精准定位答案，有效解决了复杂文档检索的诸多痛点。
智能速览
传统向量RAG依赖语义匹配，易因“长得像”而给出错误答案。
“暴力切块”破坏了文档的逻辑关联性，导致信息碎片化。
PageIndex将文档转为树形索引，为AI提供全局视图。
AI通过迭代推理，主动翻阅文档，精准查找信息。
在金融问答基准测试中，PageIndex准确率高达98.7%。
PageIndex尤其适合结构化长文档，但响应速度较慢。
精华内容
PageIndex的核心突破，在于它将检索的主动权交还给了AI模型本身。它不再是被动接收，而是像专家一样，带着问题主动探索，彻底革新了RAG的工作流。
传统RAG的痛点
向量检索的核心是语义相似度，但“长得像”不代表“真的对”。当查询“净利润同比增长”时，可能召回“净利润同比下降”的文本，导致答案完全错误。
为适应模型上下文，长文档被“暴力切块”，这破坏了原有的逻辑结构。一个完整观点可能被拆分到不同文本块中，导致AI无法获取连贯信息。
传统RAG无法处理“详见附录”这类跨章节参考。它只能召回直接相关的内容，无法主动溯源，常常给出无效回复。
颠覆性的新思路
PageIndex的灵感源于Claude Code的智能体模式。它不给AI切好的文本块，而是提供搜索工具和文件清单，让AI自主决定如何查找信息，将检索主动权交还给模型。
PageIndex将此理念延伸至通用文档，构建了一个树形索引。这棵树保留了文档的章节结构，每个节点包含标题和摘要，相当于给AI一张详细的“地图”，让其先了解全局再深入细节。
AI如何“读”文档
检索过程是动态迭代的，共分四步。首先，AI浏览树形索引，根据问题定位可能包含答案的章节。
接着，AI进入选定章节，提取关键信息。然后判断信息是否足够，若不足或遇到跨参考，会返回第一步重新定位新章节，继续查找，直到找到完整答案。这个过程与人类查阅资料的逻辑完全一致。
精准度远超传统方案
在权威的FinanceBench金融问答基准测试中，PageIndex取得了98.7%的准确率，远超传统向量RAG。这证明了其在处理复杂、需精准溯源的场景下的强大能力。
相比传统方案，PageIndex的基础设施更轻量，只需一份JSON索引，无需外部向量数据库。其检索过程完全可追溯，用户能看到AI的“翻阅路径”，可信度高。它也天然支持跨轮对话，体验更流畅。
理性看待新方案
PageIndex最适用于财报、法律合同、技术手册等有明确结构的复杂长文档。在这些场景中，它精准、可溯源的优势能发挥到极致。
但它并非万能。对于无结构的聊天记录等文档，其树形索引难以生成。同时，迭代式检索会消耗更多算力，导致响应速度变慢，对模型的推理能力也提出了更高要求。
PageIndex的出现，为RAG技术打开了一扇新大门，核心价值在于让检索回归模型本身的推理逻辑。它并非要完全取代传统方案，而是提供了一种更精准的选择。未来，结合两种方案的混合模式或许会成为主流，推动AI更好地解决实际问题。
