- GitHub 仓库
- VectifyAI/PageIndex
- 总 Stars
- ★ 39,377
- 主要语言
- Python
同样是编辑从周榜捞的常青精选。RAG 的世界里，向量检索是正统；PageIndex 偏要挑战它：不用向量数据库，靠推理型 LLM 给文档建“页码式”索引——像书的目录和页码一样，检索时按语义定位到文档的精确位置，号称检索更准。3.9 万 star，MIT 开源。
核心思路
传统 RAG 的痛点是分块：切碎了语义断裂，切大了检索不准。PageIndex 的解法是让推理模型先通读文档、提炼出一套带层级的语义索引，检索时走这套索引而不是向量相似度。对长文档、结构化文档，这套打法理论上更准。
适合谁
- 向量检索效果到瓶颈、想换路线的 RAG 开发者
- 处理长文档、合同、手册这类结构化文本的团队
- 关注“后向量时代”检索架构的研究者
先看坑再装
reasoning-based 意味着建索引本身就要调 LLM 做语义提炼——文档量越大，索引成本越高，这不是免费午餐，大规模语料先算账。另外 150 个 open issues 说明 API 还在快速迭代，集成前先锁版本，别追 main 分支。
对比今天同批的 graphify（代码知识图谱、确定性 AST 路线），PageIndex 做的是文档 RAG 的索引层创新：都是“反向量”路线，一个吃代码、一个吃文档；对比传统 LlamaIndex/ LangChain 的向量管线，它是索引层的另起炉灶。
站长点评：“反向量”今年是个小浪潮，但记住一句话：没有免费的索引——向量方案把成本花在 embedding 上，PageIndex 把成本花在建索引的推理上。选型前先拿你自己的文档跑个小规模对比，数据比口号诚实。项目地址：https://github.com/VectifyAI/PageIndex
⬇ 下载区（本站中转）
本站服务器实时中转 GitHub 文件，国内网络也可稳定下载；也可使用右侧官方链接。 本项目遵循 MIT 许可证。
最新版 v0.4.4 安装包
要下载其他 GitHub 项目？试试本站的 GitHub 加速下载工具，粘贴链接即可中转。