传统RAG系统依赖向量数据库进行语义相似度检索，但面对长篇专业文档时，往往无法找到真正相关的内容。原因在于：相似度不等于相关性，而相关性需要推理能力。现在，PageIndex 带来了全新的思路——受AlphaGo启发，通过树搜索构建文档索引，让大语言模型（LLM）能够像人类一样思考和推理，精准定位所需信息。本教程将带你全面了解 PageIndex 的原理、使用方法以及如何构建基于推理的RAG系统。

一、传统RAG系统的局限与挑战

传统的基于向量的RAG系统依赖于语义相似性，而非真正的相关性。当处理需要领域专业知识和多步推理的专业文档（如财务报告、监管文件、学术教科书、法律或技术手册）时，相似度搜索常常不尽人意。原因在于：

• 语义相似 ≠ 内容相关：向量检索可能找到“看起来像”的句子，但忽略了文档内部的逻辑结构和上下文。
• 无法进行多步推理：例如，要回答“某公司在2023年的净利润增长率是多少？”，需要依次定位财务报告中的利润表、找到净利润数值、计算增长率，传统向量检索无法完成这种链式思考。
• 文档分块破坏了自然结构：人工或自动分块会割裂段落、表格和章节，导致信息丢失或错位。

核心痛点：我们需要的是能推理的检索系统，而非仅靠相似度匹配。

二、PageIndex的创新点：基于树搜索的文档索引系统

2.1 什么是PageIndex？

PageIndex 是一个由 Vectify AI 开发的文档索引系统，能将冗长的PDF文档转换为语义树结构，类似于一本专为大语言模型（LLMs）优化的“目录”。它特别适用于：财务报告、监管文件、学术教科书、法律或技术手册，以及任何超出LLM上下文限制的文档。

下图展示了PageIndex的基本概念：

2.2 主要特点

• 层次树结构
  让大语言模型能够逻辑性地遍历文档——就像一个智能的、为LLM优化的目录。

• 精确页面引用
  每个节点都包含其摘要和开始/结束页面的物理索引，实现精准检索。

• 无需人为分块
  不使用任意分块。节点遵循文档的自然结构。

• 适用于大规模文档
  设计用于轻松处理数百甚至上千页的文档。