PageIndex：构建无需切块向量化的 Agentic RAG

引言

你是否对长篇专业文档的向量数据库检索准确性感到失望？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。但在检索中，我们真正需要的是相关性——这需要推理能力。当处理需要领域专业知识和多步推理的专业文档时，相似度搜索常常不尽人意。

基于推理的RAG提供了更好的选择：让大语言模型能够思考和推理，找到最相关的文档部分。受AlphaGo启发，Vectify AI提出使用树搜索来执行结构化文档检索。

PageIndex 是一个文档索引系统，它从长文档构建搜索树结构，为基于推理的RAG做好准备。

由Vectify AI开发。

PageIndex是什么

PageIndex能将冗长的PDF文档转换为语义树结构，类似于*“目录”*但专为大语言模型(LLMs)优化。 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。

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。

PageIndex格式

以下是输出示例。查看更多示例文档和生成的树结构。

...
{
  "title": "金融稳定性",
  "node_id": "0006",
  "start_index": 21,
  "end_index": 22,
  "summary": "美联储...",
  "nodes": [
    {
      "title": "监测金融脆弱性",
      "node_id": "0007",
      "start_index": 22,
      "end_index": 28,
      "summary": "美联储的监测..."
    },
    {
      "title": "国内和国际合作与协调",
      "node_id": "0008",
      "start_index": 28,
      "end_index": 31,
      "summary": "2023年，美联储与..."
    }
  ]
}
...

其实看到这里，我们会发现RAG之前很多框架或者算法都有类似的思想：

• 例如LlamaIndex的Node实现
• 比如Raptor的层级聚类
• 还有Mineru的PDF转换生成Markdown，然后我们可以解析成类似具有章节信息的json数据

那PageIndex的亮点在哪里呢，其实在最后一部分“使用PageIndex进行基于推理的RAG”的实现，相比之前的Advanced和Modular RAG，Agentic RAG更加智能，接着我们往下看怎么实现的？

使用方法

按照以下步骤从PDF文档生成PageIndex树结构。

1. 安装依赖项

pip3 install -r requirements.txt

2. 设置OpenAI API密钥

在根目录创建一个.env文件并添加你的API密钥：

CHATGPT_API_KEY=你的openai密钥

3. 对PDF运行PageIndex

python3 run_pageindex.py --pdf_path /path/to/your/document.pdf

你可以通过额外的可选参数自定义处理过程：

--model                 使用的OpenAI模型 (默认: gpt-4o-2024-11-20)
--toc-check-pages       检查目录的页数 (默认: 20)
--max-pages-per-node    每个节点的最大页数 (默认: 10)
--max-tokens-per-node   每个节点的最大token数 (默认: 20000)
--if-add-node-id        添加节点ID (yes/no, 默认: yes)
--if-add-node-summary   添加节点摘要 (yes/no, 默认: no)
--if-add-doc-description 添加文档描述 (yes/no, 默认: yes)

云API (测试版)

不想自己部署？试试Vectify AI的PageIndex托管API。托管版本使用Vectify AI自定义的OCR模型更准确地识别PDF，为复杂文档提供更好的树结构。 在这个表单留下你的邮箱，免费获得1,000页处理额度。

案例研究：Mafin 2.5

Mafin 2.5是一个专为财务文档分析设计的最先进基于推理的RAG模型。它基于PageIndex构建，在FinanceBench基准测试中达到了惊人的98.7%准确率——显著优于传统的基于向量的RAG系统。

PageIndex的分层索引使得能够精确导航和提取复杂财务报告（如SEC文件和财报披露）中的相关内容。

👉 查看完整基准测试结果，了解详细比较和性能指标。

使用PageIndex进行基于推理的RAG

使用PageIndex构建基于推理的检索系统，无需依赖语义相似度。非常适合需要细微区分的领域特定任务。

🔖 预处理工作流示例

1. 使用PageIndex处理文档，生成树结构。
2. 将树结构及其对应的文档ID存储在数据库表中。
3. 将每个节点的内容存储在单独的表中，通过节点ID和树ID进行索引。

🔖 基于推理的RAG框架示例

1. 查询预处理：
   • 分析查询以确定所需知识
2. 文档选择：
   • 搜索相关文档及其ID
   • 从数据库获取相应的树结构
3. 节点选择：
   • 搜索树结构以识别相关节点
4. LLM生成：
   • 从数据库获取所选节点的相应内容
   • 格式化并提取相关信息
   • 将组装的上下文与原始查询一起发送给LLM
   • 生成有依据的回答

🔖 节点选择的示例提示

prompt = f"""
给你一个问题和一个文档的树结构。
你需要找出所有可能包含答案的节点。

问题: {question}

文档树结构: {structure}

请用以下JSON格式回复:
{{
    "thinking": <关于在哪里寻找的推理过程>,
    "node_list": [node_id1, node_id2, ...]
}}
"""

看到合理我们自然明白了，PageIndex不需要切块向量是因为通过将文档转换为节点，然后用大模型进行选择，之前RAG是检索+排序=现在的LLM Judge。

同时这个问题就是，当多文档或者文档篇幅比较多的时候，LLM去做选择成本比较高的。