推文

@UPing123zzz · 2026-10-17 16:49

RAG 可能真的不需要向量数据库了。 最近发现一个很有意思的开源项目：PageIndex，GitHub 已经接近 4 万 Star。它提出了一种完全不同的 RAG 思路：Vectorless RAG（无向量 RAG）。 我们现在做 RAG，基本都是先把 PDF、Word 等文档切成 Chunk，再做 Embedding，存进向量数据库，用户提问的时候根据相似度检索相关内容，最后交给大模型生成答案。但这里有个一直被忽略的问题：语义相似，不代表内容真的相关，更不代表它能回答用户的问题。尤其面对几百页的财报、法律合同、技术手册，单纯靠相似度检索，很容易遗漏真正重要的上下文。 PageIndex 的思路就很有意思。它不依赖向量数据库，而是先把文档整理成一棵树，保留章节、标题、页码和层级关系，再让 LLM 像人翻书一样，根据问题判断应该去哪个章节，逐层查找相关内容，最后回到原文寻找证据。以前是让数据库帮你找相似的文字，现在是让模型理解文档结构，自己决定应该去哪里找答案。 我觉得这个项目最值得研究的，不是它不用 Embedding，也不是它不用向量数据库，而是它改变了检索的思路。Retrieval 的核心不应该只是 Similarity，而应该是 Relevance。 找到一段看起来相关的文字，和找到真正能够回答问题的证据，是两回事。 当然，这不意味着传统 RAG 就被淘汰了。对于高频 FAQ、海量碎片化知识，Hybrid Search 依然很有价值。但面对长文档、复杂企业知识库，PageIndex 这种基于文档结构和推理的检索方式，确实值得研究。 我越来越觉得，做企业 RAG，真正需要下功夫的可能不是最后接哪个大模型，而是前面如何解析文档、组织知识、检索证据，以及如何验证答案。 开源项目： https://github.com/VectifyAI/PageIndex

曝光 80 · 评论 1 · 点赞 1 · 书签 0 · 曝光/时 57.94288203146573