PageIndex：构建无需切块向量化的 Agentic RAG-阿南达文事网

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。

代码语言：javascript代码运行次数：0运行复制

...
{
  "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

代码语言：javascript代码运行次数：0运行复制

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：

代码语言：javascript代码运行次数：0运行复制

CHATGPT_API_KEY=你的openai密钥

3. 对PDF运行PageIndex

代码语言：javascript代码运行次数：0运行复制

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：

代码语言：javascript代码运行次数：0运行复制

--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。

PageIndex：构建无需切块向量化的 Agentic RAG