📌 项目日期：2026年11月 | 数据来源：GitHub官方仓库 | 星数：40,300+
RAG的向量范式被挑战了：PageIndex（VectifyAI，4万星）提出 "Vectorless, Reasoning-based" 文档索引——不做向量嵌入，把文档组织成树状目录（像书的目录结构），检索时靠LLM推理在树上定位。官方Page Search API约1秒找到回答问题的页面，只送那些页给LLM：省97%的token成本，基准显示比向量检索更准更快。
新发布：Page Search API（search.pageindex.ai）、SDK本地+云双模式（本地用自己的LLM Key）、PageIndex Flash快速树索引、File System方案扩展到百万文档。传统RAG搭法对照 Dify教程；喂给RAG的网页内容用 Firecrawl。
| 机制 | 说明 |
|---|---|
| 树状索引 | 文档→目录树（类似人读书的目录） |
| 推理检索 | LLM在树上推理定位，非向量相似度 |
| 精准投喂 | 只送命中的页面给LLM，token成本大降 |
| Flash索引 | 文本PDF快速建树（默认方式） |
git clone https://github.com/VectifyAI/PageIndex.git
# SDK本地模式：用自己的LLM API Key
# 云模式：developer.pageindex.ai
# Page Search API：search.pageindex.aiVectifyAI的"无向量、推理式"文档索引（4万星）：树状目录结构替代向量嵌入——Page Search API约1秒找到能回答问题的页面，只把那些页送给LLM：官方基准省97%token成本、比向量检索更准更快。
不做向量嵌入，而是把文档组织成树状索引（像书的目录），检索时靠LLM推理在树上定位——对结构化文档（报告/手册/论文）效果尤其好。
PageIndex SDK（本地+云双模式，本地用自己的LLM Key）；PageIndex Flash快速树索引生成（文本PDF默认）；可扩展到百万文档（File System方案）。