PageIndex README

The project's README from github.com/VectifyAI/PageIndex. As one markdown file: README.md.

pi_github_banner_low

VectifyAI%2FPageIndex | Trendshift

PageIndex: Vectorless, Reasoning-based RAG

Reasoning-based RAG  ◦  No Vector DB, No Chunking  ◦  Context-Aware Retrieval  ◦  Reads Like a Human

🌐 Website  •   ☁️ Cloud  •   📖 Docs  •   📝 Blog  •   ✉️ Contact 

Updates
  • [Aug '26] 🔥 PageIndex SDK: pip install -U pageindex now ships local mode: index, retrieve, and chat entirely on your machine with your own LLM key, or point the same client at PageIndex Cloud with an API key.
  • [Aug '26] ⚡ PageIndex Flash: fast tree index generation for text-based PDFs, now the default indexing method in PageIndex SDK local mode.
  • Scale PageIndex to Millions of Documents: PageIndex File System is a file-level tree indexing layer that lets PageIndex reason over an entire corpus, not just a single document.
  • PageIndex App: a human-like document analysis agent for long professional documents.

What is PageIndex?

Are you frustrated with vector database retrieval accuracy for long and complex documents? Vector-based RAG retrieves by semantic similarity. But similarity ≠ relevance — what retrieval actually needs is relevance, and relevance requires reasoning. On professional documents that demand contextual understanding, domain expertise, and multi-step reasoning, similarity search misses what is relevant but not similar, and returns what is similar but not relevant.

Inspired by AlphaGo, PageIndex replaces the vector index with a hierarchical tree index and lets an LLM reason its way through it, the way a human expert turns to and reads the right section of a long report. Retrieval happens in two steps:

  1. Index: generate a tree-structure index for each document
  2. Retrieve: agentically search that tree with LLM reasoning

TL;DR

PageIndex is a vectorless, reasoning-based RAG engine that mirrors how humans read, delivering traceable, explainable, and context-aware retrieval, with no vector DBs or chunking.

Compare with Vector RAG

Vector RAG PageIndex
Index vector index tree index
Unit fixed-size chunks natural sections
Retrieval semantic similarity search LLM reasoning over the tree
Result opaque, “vibe retrieval” traceable to explicit references
Context query embedding only full context: conversation history, domain knowledge, etc.

It is ideal for financial reports, legal documents, regulatory filings, technical manuals, medical literature, academic textbooks, and any other long, complex professional document.

Quickstart

pip install -U pageindex

import os
from pageindex import PageIndexClient

os.environ["OPENAI_API_KEY"] = "your-openai-key"

client = PageIndexClient(
    index="gpt-5.6-luna",               # model to build the tree index
    chat="gpt-5.6-sol",                 # model to search the tree
)
doc_id = client.submit_document("report.pdf")["doc_id"]

answer = client.chat("What was the 2023 operating margin?", doc_id=doc_id)
print(answer)

Model Recommendations

Use PageIndex through the SDK client →

Configure other models, streaming, multi-document search, citations, and more.

Integrate PageIndex with your own agent →

Drop PageIndex tools into the OpenAI Agents SDK, the Claude Agent SDK, or any other framework.

Benchmarks

Local indexing cost and time

Building a tree locally runs about $0.001 per page with gpt-5.6-luna as the index model, so a 1,000-page textbook costs a little over a dollar and a few minutes, once, and every later question reuses it. PageIndex is designed not to rely heavily on the model used at index time, so in our experiments a basic model does not hurt quality.

Indexing cost against document length, log-log, for nine PDFs from 9 to 1,098 pages. Points track a $0.0011-per-page reference line; the spread around it is text density, not length.

Indexing time also scales predictably with document length. In the same local setup, the benchmark documents (9 to 1,098 pages) finished in roughly 13 seconds to 4.5 minutes.

Indexing time against document length, log-log, for nine PDFs from 9 to 1,098 pages. The measured indexing times range from about 13 seconds to 4.5 minutes and increase predictably with document length.

Query cost and accuracy

PageIndex-OSS-Benchmark measures exactly the setup in the quickstart above (PageIndexClient() in local mode, flash indexing, no OCR) on 62 lookup questions over 34 PDFs (1,945 pages) drawn from MMLongBench-Doc-V2. Every question's answer is a fact stated in running text, so a wrong answer is a retrieval or reading failure, not a reasoning one.

Accuracy against average cost per question. Each model forms a near-vertical reasoning-effort ladder; moving between models costs an order of magnitude a step.

Full results, data, and the runner are in the benchmark repo.

Cost per query vs. native PDF input

The alternative to retrieval is handing the model the whole PDF on every question. That cost grows with the document; PageIndex's does not, because it reads only the nodes its reasoning reaches. On documents where both routes return the same answer, native PDF input costs 2.1× more at 52 pages and 16.6× more at 420 (gpt-5.6-sol, prompt caching excluded) — and at 805 pages the document no longer fits in the context window at all.

Cost per query relative to PageIndex retrieval, for five PDFs from 52 to 805 pages. Passing the PDF natively costs 2.1x, 3.4x, 7.8x, and 16.6x more at 52, 85, 198, and 420 pages; at 805 pages it exceeds the model's context window.

Leading accuracy on FinanceBench

PageIndex reached a state-of-the-art 98.7% accuracy on FinanceBench (financial document QA benchmark), vastly outperforming vector-based RAG.

FinanceBench accuracy: PageIndex 98.7%, vector RAG 50%.

Explore the full FinanceBench evaluation results and the blog post.

PageIndex Cloud

The open-source version is ideal for text-heavy PDFs and local workflows. With PageIndex Cloud, document indexing and storage run in the cloud: PageIndex handles parsing, OCR, image understanding, tree-index construction, and managed storage for you. The chat and retrieval layer remains compatible with your model, so you can search the cloud-hosted index using the model provider your application already uses.

Moving indexing and storage from Local to Cloud only requires a PageIndex API key:

import os
from pageindex import PageIndexClient

os.environ["PAGEINDEX_API_KEY"] = "your-pageindex-key"
os.environ["OPENAI_API_KEY"] = "your-openai-key"

client = PageIndexClient(
    index="cloud",                       # build and store the index in PageIndex Cloud
    chat="gpt-5.6-sol",                  # use your preferred compatible model for chat
)
doc_id = client.submit_document("report.pdf", wait=True)["doc_id"]
print(client.chat("What was the 2023 operating margin?", doc_id=doc_id))
Capability Local (this repo) Cloud (get an API key)
Best for text-heavy PDFs and local workflows scanned, image-heavy, and large document collections
Indexing runs locally runs in PageIndex Cloud, with production OCR and image understanding
Storage local managed in PageIndex Cloud
Chat model your model your model, or the managed chat included with your key
Citations page-level line-level
Image understanding — ✅
Multi-document scale manual PageIndex File System
MCP server — ✅

More About PageIndex Cloud

Ready to Try It?

For dedicated deployment (VPC or on-premises), contact us or book a demo.

⭐ Support Us

Leave us a star 🌟 if you like our project. Thank you!

Please cite this work as:

Mingtian Zhang, Yu Tang and PageIndex Team,
"PageIndex: Next-Generation Vectorless, Reasoning-based RAG",
PageIndex Blog, Sep 2025.
Or use the BibTeX citation. 
@article{zhang2025pageindex,
  author = {Mingtian Zhang and Yu Tang and PageIndex Team},
  title = {PageIndex: Next-Generation Vectorless, Reasoning-based RAG},
  journal = {PageIndex Blog},
  year = {2025},
  month = {September},
  note = {https://pageindex.ai/blog/pageindex-intro},
}

© 2026 PageIndex AI

pageindex-wordmark-animated-288-warm

PageIndex (VectifyAI/PageIndex)

Searching Database…

39.2K ·GitHub
PageIndex
Что это такое?PageIndex — это движок RAG (Retrieval-Augmented Generation) без векторов, который работает на основе рассуждений. Вместо векторной базы данных и разбиения на фрагменты он строит иерархический древовидный индекс, повторяющий структуру документа, и позволяет LLM пройтись по этому дереву и найти нужные разделы — так же, как эксперт листает отчёт до нужной части.
Это самостоятельное приложение или то, что я встраиваю в свой код?Это библиотека-SDK на Python, которую устанавливают через pip и вызывают из своего агента или приложения; она включает инструменты, которые подключаются к фреймворкам вроде OpenAI Agents SDK или Claude Agent SDK, а не работает как отдельное чат-приложение.
Как это запустить?Установите командой 'pip install -U pageindex', затем с помощью клиента SDK проиндексируйте документ (построить дерево) и выполните retrieve/chat по нему — либо полностью локально со своим ключом LLM, либо через PageIndex Cloud с API-ключом.
Нужен ли мне ключ API для LLM, чтобы это использовать?Да: для индексации и чата вы подставляете свой ключ LLM. Для построения древовидного индекса подойдёт базовая модель, но в README рекомендуется использовать лучшую модель, которую вы можете себе позволить, для этапа чата/поиска, так как именно она и рассуждает по дереву.
Работает ли это со сканированными PDF или с PDF, где много изображений?Нет, не в открытом локальном режиме: он создан для PDF с преимущественно текстовым содержимым. Сканы, OCR и распознавание изображений требуют платного тарифа PageIndex Cloud.
Для каких документов это предназначено?Для длинных и сложных профессиональных документов, где важнее контекст и многошаговые рассуждения, а не совпадение ключевых слов.
Насколько точен PageIndex по сравнению с RAG на основе векторов?На FinanceBench, бенчмарке для ответов на вопросы по финансовым документам, PageIndex достиг точности 98,7%, значительно превзойдя подходы RAG на основе векторов.
Сколько стоит индексация документа?Построение древовидного индекса локально стоит около 0,001 доллара за страницу при использовании базовой модели, так что тысячестраничный учебник обойдётся чуть больше чем в доллар и займёт несколько минут, а готовый индекс затем переиспользуется для каждого последующего вопроса.
Можно ли подключить PageIndex к существующему агентному фреймворку?Да, он предоставляет инструменты, которые можно сразу подключить к OpenAI Agents SDK, Claude Agent SDK или к любому другому агентному фреймворку, который вы уже используете.
Что PageIndex Cloud добавляет к версии с открытым исходным кодом?PageIndex Cloud берёт на себя индексацию и хранение: он добавляет промышленный OCR, распознавание изображений, цитирование на уровне строк, MCP-сервер и PageIndex File System для масштабирования поиска на миллионы документов.
What are similar projects?ragflow, semantica, LightRAG, llama_index, txtai, production-agentic-rag-course, memvid, haystack
Which topics is it in?retrieval, information-retrieval, reasoning, retrieval-augmented-generation, vector-search, context-engineering, vector-database, semantic-search, document-processing, knowledge-base, pdf, rag
Creator
VectifyAI
Size
29 MB
Stars
39.2K
Updated
CommitOct 16Releasev0.4.1Oct 16
Age
1y
Commits · 90 Days