无 Embedding、无向量数据库的 RAG 方法：PageIndex 技术解析

PageIndex 是一种无向量、基于推理的检索增强生成（RAG）方法，无需 Embedding、分块或向量数据库即可从长文档中检索答案。

它不依赖语义相似度搜索，而是从文档中构建一棵层次化的目录树（TOC），再由大语言模型对该结构进行推理。模型先借助文档的层级结构定位最相关的章节，然后导航至该章节，生成精确且带引用的答案。

传统 RAG 通过相似度进行检索。PageIndex 通过对结构的推理进行检索。

财务报告、法律合同、监管文件、政策文档、学术论文这种结构清晰的长文档都是它的优势领域。

多数 RAG 系统依赖 Embedding 和向量数据库：把文档拆成块，转成向量，用余弦相似度找答案。但相似度不是推理。PageIndex 采用了另一个方法，通过文档结构的推理而非语义搜索来检索信息。文档不再是一堆扁平文本，而是一个带层级的结构体系，类似于一本附有目录的教科书。

下面用经典电影《Sholay》来演示其工作原理。

核心思想：先理解结构，再进行搜索

把《Sholay》的剧本或详细剧情概要输入 PageIndex，它不会将文档拆分为任意的 500 词分块，而是构建故事的结构树：

 Document → Hierarchical Index → Reasoning-Based Retrieval → Answer

传统路径则是：

 Document → Chunks → Embeddings → Vector DB → Similarity Search → Answer

阶段一：创建树结构（索引阶段）

第一阶段完成结构化索引，分为两步。

1、结构检测

LLM 读取剧本，检测自然边界：场景标题（"SCENE 1 --- THE TRAIN ROBBERY"）、角色介绍、幕次分隔、重要叙事转折。它依赖的是叙事结构，而非固定的分块大小。

• 🎬 深色根节点 → 代表完整文档
• 🔵 蓝色 → 主要故事段落
• 🔴 红色 → Gabbar 相关故事线
• 🟣 紫色 → 关键事件节点
• 🟠 金色 → 具体事实事件

2、层次化映射

PageIndex 构建一棵树。根节点是 Sholay，第一级分支可能包括：序幕、招募 Veeru 和 Jai、Ramgarh 的生活、Gabbar 的恐怖统治、最终决战。每个分支还可以包含子节点。

以 Gabbar's Den 为例，其摘要为："本节涵盖 Gabbar Singh 的出场介绍、'Kitne aadmi the'台词以及对手下的惩罚。"

每个节点包含：

• title
• nodeId
• summary
• child nodes

关键在于LLM 为每个节点写一段简洁的语义描述的摘要说明该章节发生了什么，这段摘要在后续查询阶段将充当检索信号。

阶段二：查询阶段

假设用户提问：

为什么 Thakur 失去了双臂？

完整剧本不会被整体发送，不会生成 Embedding，也不会执行向量相似度搜索。LLM 接收到的只有三样东西：用户的问题、层次化映射（JSON 树）、每个节点的摘要。不是完整剧本，只有结构。

LLM 如何找到答案（推理，而非数学计算）

步骤 1：结构搜索

LLM 读取这棵树，看到"Thakur 家族的屠杀""Gabbar 的复仇""Ramgarh 的生活"等节点。根据摘要进行推理：答案很可能存在于涉及 Gabbar 和 Thakur 受伤的章节中。这是逻辑推理，不是向量相似度计算。

步骤 2：深入探索

PageIndex 随后仅检索这些特定节点对应的原始文本。不扫描 50 页内容，只取回 2-3 个聚焦章节。

步骤 3：最终回答

LLM 读取这段高度相关的文本片段，给出回答：

Thakur 失去双臂是因为 Gabbar Singh 为报复 Thakur 多年前的逮捕行为而将其双臂砍断。

同时附上引用：

 (nodeId: massacre-thakur-family)

检索过程可解释、可追溯。

PageIndex 与传统 RAG 的差异（针对结构化文档）

传统向量 RAG 系统中，搜索"Thakur 的手臂"可能返回：Jai 和 Veeru 打斗中使用手臂的场景、包含相似词汇的对话，以及"手"或"受伤"的无关提及。向量搜索按语义接近度检索，不考虑叙事相关性------本质上是在做"氛围匹配"。

PageIndex 不存在这个问题。屠杀场景的摘要已经明确写道：

"本节描述了 Gabbar 如何攻击 Thakur 的家族并砍断了他的双臂。"

LLM 不是在猜测，而是在导航。

PageIndex 有效的原因

它将两个认知任务分开处理：导航，确定答案应该存在的位置；提取，仅阅读该章节并生成答案。

这与人类的阅读方式相同。想知道小说中某件事为何发生，不会随机翻阅每一页，而是直接翻到相关事件所在的章节，PageIndex 让 LLM 遵循同样的行为模式。

适用场景

这种架构在以下场景中表现突出：财务报告、法律文档、政策文件、监管备案、学术研究、长篇叙事内容。凡是结构重要性超过表面相似度的场合，都是它的用武之地。

总结

传统 RAG 的假设：相关性等于语义相似度。PageIndex 的假设：相关性等于结构化推理。

差异看似微小，在长篇层次化文档中却影响深远。PageIndex 没有去造一个更好的搜索引擎，而是画了一张导航地图，让 LLM 先思考，再阅读。

https://avoid.overfit.cn/post/5a974d0889904edeb9cdca7945e132be

by Vishal Mysore