PageIndex（VectifyAI/PageIndex）是一种「无向量（vectorless）、基于推理」的 RAG 方案：不依赖向量数据库与切块（chunking），而是先把长文档构建成层级「目录树（Table-of-Contents）」索引，再让 LLM 在树上做推理式检索（tree search），模拟人类专家在复杂文档中导航定位的方式。其出发点是「相似 ≠ 相关」——向量检索靠语义相似，而真正需要的相关性需要推理。MIT 许可，约 32,066 stars，主语言 Python，提供自托管框架、Chat 平台、MCP 与 API。
来源：README.md（标题、Introduction、Updates）；GitHub 仓库元数据（stars=32066、language=Python、license=MIT、topics rag/reasoning） 查看 GitHub 仓库 →传统向量 RAG 在长专业文档上常因「相似不等于相关」而检索不准，需要切块、调向量库且难做多步推理。PageIndex 提出无向量、基于推理的思路：用文档的层级树索引 + LLM 树搜索做上下文感知检索，灵感类比 AlphaGo 的树搜索，契合「agentic / reasoning-based 检索」热点，且有自托管框架、Chat 平台、MCP/API 与可扩展到百万级文档的文件系统层，因而关注度高。需说明：树索引构建与推理检索依赖 LLM 调用，可能带来延迟与成本；效果随文档结构与模型而异。截至数据采集约 32,066 stars。
来源：README.md（Introduction、Updates 的 File System/Chat）；GitHub 仓库元数据（stars=32066、pushed_at 2026-05）不依赖向量数据库与 chunking，用层级树索引替代，强调相关性而非相似度。
来源：README.md（标题、Introduction）为文档生成 ToC 树结构，LLM 在树上做 tree search 做上下文感知、推理式检索。
来源：README.md（Introduction 两步检索）PageIndex File System 提供文件级树层，让其在整个语料库上推理，支持百万级文档。
来源：README.md（Updates 的 File System）提供自托管框架、Chat 平台、MCP server 与 API，并有 agentic（OpenAI Agents SDK）示例。
来源：README.md（Updates、顶部链接）PageIndex 的检索分两步：① 为长文档生成「目录树」结构索引（层级化的章节/页面树）；② 在该树上做基于推理的检索——LLM 像人类专家一样通过 tree search 逐层判断、定位到最相关的文档片段，无需向量化或切块。它是「在上下文中的 agentic 树索引」，强调相关性而非相似度。还提供 PageIndex File System——文件级树层，让其在整个语料库（而非单文档）上推理，扩展到百万级文档检索。以 Python 实现，可自托管，并提供 Chat 平台、MCP server 与 API；示例展示用 OpenAI Agents SDK 做 agentic vectorless RAG。
来源：README.md（Introduction 两步检索、Updates 的 File System/Agentic 示例）；GitHub 仓库元数据（language=Python）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
LLM（用于构建树索引与推理检索）OpenAI Agents SDK（agentic 示例）PageIndex File System（语料级树层）适合对长专业文档做高相关性问答与检索的场景：法律/金融/科研/技术手册等需要领域理解与多步推理的文档分析，传统向量 RAG 相关性不足时用其推理式检索；也适合构建 agentic 文档分析助手、或在大规模语料上做基于树的检索。需要权衡 LLM 推理带来的成本与延迟，按文档类型评估效果。
来源：README.md（Introduction、Updates）本页未列固定版本号；近期更新包括 Agentic Vectorless RAG 示例、可扩展到百万文档的 PageIndex File System、PageIndex Chat 平台与 MCP/API。仓库最后更新约在 2026 年 5 月，维护活跃。
来源：README.md（Updates）；GitHub pushed_atPageIndex 是一种无向量、基于推理的 RAG 方案：不切块、不依赖向量库，而是为长文档构建目录树索引并让 LLM 在树上做推理式检索，以相关性而非相似度定位内容，模拟专家导航复杂文档的方式，并可经 File System 扩展到百万级语料，提供自托管框架、Chat、MCP 与 API，对长专业文档的高相关性检索是有新意的思路。要清楚树索引与推理检索依赖 LLM、有延迟与成本、效果随文档结构与模型而异、相对成熟向量 RAG 生态仍较新需验证。作为「reasoning-based RAG」方向的代表性开源项目，定位清晰、值得关注。
来源：综合 README.md 的定位、两步检索、扩展能力与权衡PageIndex（VectifyAI/PageIndex）是一种「无向量（vectorless）、基于推理」的 RAG 方案：不依赖向量数据库与切块（chunking），而是先把长文档构建成层级「目录树（Table-of-Contents）」索引，再让 LLM 在树上做推理式检索（tree search），模拟人类专家在复杂文档中导航定位的方式。其出发点是「相似 ≠ 相关」——向量检索靠语义相似，而真正需要的相关性需要推理。
PageIndex 的核心功能包括：无向量、无切块、目录树索引 + 推理检索、可扩展到大规模语料、多种接入。
传统向量 RAG 在长专业文档上常因「相似不等于相关」而检索不准，需要切块、调向量库且难做多步推理。PageIndex 提出无向量、基于推理的思路：用文档的层级树索引 + LLM 树搜索做上下文感知检索，灵感类比 AlphaGo 的树搜索，契合「agentic / reasoning-based 检索」热点，且有自托管框架、Chat 平台、MCP/API 与可扩展到百万级文档的文件系统层，因而关注度高。
适合对长专业文档做高相关性问答与检索的场景：法律/金融/科研/技术手册等需要领域理解与多步推理的文档分析，传统向量 RAG 相关性不足时用其推理式检索；也适合构建 agentic 文档分析助手、或在大规模语料上做基于树的检索。需要权衡 LLM 推理带来的成本与延迟，按文档类型评估效果。