如何在 Claude 和 Cursor 中接入 PageIndex MCP推理式 RAG 长文档分析完整指南【免费下载链接】PageIndex PageIndex: Document Index for Vectorless, Reasoning-based RAG项目地址: https://gitcode.com/GitHub_Trending/pa/PageIndex长文档处理是很多人绕不开的日常手头一份两百页的行业报告或产品规格书想直接问 AI「第三章的收入数据是多少、口径怎么定义的」。传统文本搜索太死板换几个近义词就查不到接上向量库做 RAG 之后返回的常常是几段措辞接近、内容跑偏的片段。PageIndex MCP 集成给出了另一条路线PageIndex 先为文档构建一棵层级化的树状索引再由大模型沿着树做推理式定位通过 MCP 协议接入后这些能力可以直接在 Claude 桌面版和 Cursor IDE 里使用。推理式 RAG 与向量 RAG 的差异PageIndex 为什么不用向量库理解 PageIndex 的关键是先看它和常见向量 RAG 在检索逻辑上的区别。向量 RAG 的思路是把文档切成小块、编码成向量查询时找语义最像的几块。它依赖的是相似度而相似度并不等于相关性——退款条款的例外情形和退款流程的常规步骤在向量空间里可能很接近但前者才是你要的答案。PageIndex 的思路更接近人类专家翻阅文档的方式先扫一遍目录锁定章节再翻到具体页码细读。对应到工程实现它分两步生成树状索引。把整份 PDF 解析成一棵目录树每个节点对应文档的一个自然章节带有标题、起止页码和摘要例如{ title: Financial Stability, node_id: 0006, start_index: 21, end_index: 22, summary: The Federal Reserve ..., nodes: [ { title: Monitoring Financial Vulnerabilities, node_id: 0007, ... } ] }树搜索式检索。大模型拿着你的问题在树上做推理判断哪些子章节可能包含答案逐层缩小范围最后读取相关页码的原文。这带来几个实际好处文档按自然章节组织而不是被切断成人为的块语义结构得以保留每次检索都有可追溯的推理路径你能看到模型为什么定位到了第 22 页检索结果还可以结合上下文比如对话历史、你补充的领域知识而不是一次性算死的向量距离。从零到可用的 PageIndex MCP 配置全流程整个过程是一条连贯的操作线先准备本地环境再注册 MCP 服务器。第一步克隆仓库并安装依赖需要 Python 3.8git clone https://gitcode.com/GitHub_Trending/pa/PageIndex cd PageIndex pip3 install --upgrade -r requirements.txt第二步配置 LLM 密钥。在根目录创建.env文件写入OPENAI_API_KEY你的密钥。树索引的生成依赖大模型密钥是必需的。第三步生成文档树索引。入口脚本是 run_pageindex.pypython3 run_pageindex.py --pdf_path /path/to/your/document.pdf运行后会在results/下产出文档名_structure.json就是上面的树结构。仓库里 examples/documents/results/ 目录放了多份样例文档财报、监管文件、学术教材的索引结果可以先翻看它们的形态。第四步接入 MCP 服务器。PageIndex 官方提供基于 MCP 协议的服务端在客户端里登记服务地址与鉴权信息即可。配置文件 pageindex/config.yaml 控制本地索引生成使用的模型与节点参数仓库中 pageindex/mcp_bridge.py 是与云端 MCP 服务通信的实现tests/data/cloud_mcp_contract.json 则描述了服务器暴露的工具契约想了解可用能力可以对照查看。在 Claude 桌面版与 Cursor 中接入 PageIndex MCP 后能做什么接入方式在两个客户端上是同构的在设置里找到 MCP 服务器配置项登记 PageIndex 的服务端点与密钥保存后重启客户端模型的工具列表里就会出现 PageIndex 提供的文档索引与检索工具。Claude 桌面版的体验更接近给 AI 递一份纸质档案把 PDF 交给它它会先完成索引然后你直接用自然语言提问——这份年报里经营现金流同比为什么下降回答会附上定位到具体章节和页码的推理过程方便你回原文核对。几百页的监管文件或尽调材料也不必自己翻目录。Cursor IDE里则适合把文档当活文档查写代码的同时问它这份 API 手册里超时重试参数怎么配这份技术规格书对幂等性的要求是什么答案直接出现在对话面板中无需切到浏览器里查文档。因为检索走的是树索引而非固定分块跨章节的综合性问题把涉及数据保留策略的所有条款列出来也能按章节聚合回答。拿真实文档试一把金融报告与技术手册 两类场景最能体现推理式检索的价值。金融文档。对一份季度财报提问本季度毛利率变化的主要原因向量 RAG 常返回术语相近的毛利率指引段落PageIndex 的树搜索则会先定位到经营成果讨论章节再细化。官方有可参照的量化结果基于 PageIndex 构建的 Mafin 2.5 在 FinanceBench金融文档问答基准上取得 98.7% 的准确率显著高于向量 RAG 方案。需要说明这个数字来自官方在特定基准测试集上的评测口径实际文档的效果仍取决于文档质量与问题类型。技术手册与规格书。提问配置项 X 的默认值、取值范围和相互依赖时答案能沿着手册的章节结构逐层收敛并给出页码引用。examples/agentic_vectorless_rag_demo.py 提供了一个完整的本地 agentic 检索示例可以对照理解上传文档 → 提问 → 得到带推理路径的答案的完整链路。让 PageIndex 检索效果更好的几个配置细节参数调整不必多几个对结果影响明显的点max-pages-per-node与max-tokens-per-node对应 pageindex/config.yaml 中的max_page_num_each_node、max_token_num_each_node默认 10 页 / 20000 token。节点越大摘要信息越密但检索时模型要读的上下文也越长节点越小定位越精准树却越深。长章节密集的文档可以适当调大条目式文档保持默认即可。toc_check_page_num默认 20生成树时检查目录页的范围。目录在很靠后位置的文档部分学术教材可以调大。PageIndex Flash如果嫌完整流程慢仓库提供了 pageindex/flash/ 子模块用版式统计启发式方法在几秒内生成树结构LLM 只负责写摘要。命令行加--flash即可再加--optimize让 LLM 对树做一轮检索优化。上图为官方基准开启树优化后端到端耗时与文档页数近似线性千页级文档约几分钟。复杂 PDF 的预处理开源仓库走的是标准 PDF 解析扫描件、复杂版式或双栏排版的文档建议先做 OCR 预处理官方云服务提供更强的 OCR 与建树管线。另外如果文档以 Markdown 形式输入注意多数 PDF 转 Markdown 工具会丢失层级直接用--md_path模式可能影响树的准确性。延伸资料与 PageIndex 项目的后续演进想深入的话仓库内已按学习路径组织好材料cookbook/可运行的 notebook包括 pageIndex_chat_quickstart.ipynb快速上手、pageindex_RAG_simple.ipynb最小推理式 RAG 示例和 vision_RAG_pageindex.ipynb基于页面图像的视觉 RAG。examples/tutorials/tree-search/树搜索检索的提示词写法以及如何把专家知识注入检索过程。examples/tutorials/doc-search/多文档场景下按元数据、语义、描述三种方式组织检索的实践。pageindex/flash/快速建树子模块的文档与基准数据。方向上PageIndex 团队正在推进文件级树索引PageIndex File System让推理检索从单文档扩展到整个文档语料库本地 pageindex/integrations/ 目录下已有面向不同 Agent SDK 的适配层后续接入更多客户端的工作会主要在这里演进。MCP 配好之后长文档就成了 AI 可以逐层推理的对象剩下的工作只是提出你想问的问题。【免费下载链接】PageIndex PageIndex: Document Index for Vectorless, Reasoning-based RAG项目地址: https://gitcode.com/GitHub_Trending/pa/PageIndex创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何在 Claude 和 Cursor 中接入 PageIndex MCP：推理式 RAG 长文档分析完整指南
如何在 Claude 和 Cursor 中接入 PageIndex MCP推理式 RAG 长文档分析完整指南【免费下载链接】PageIndex PageIndex: Document Index for Vectorless, Reasoning-based RAG项目地址: https://gitcode.com/GitHub_Trending/pa/PageIndex长文档处理是很多人绕不开的日常手头一份两百页的行业报告或产品规格书想直接问 AI「第三章的收入数据是多少、口径怎么定义的」。传统文本搜索太死板换几个近义词就查不到接上向量库做 RAG 之后返回的常常是几段措辞接近、内容跑偏的片段。PageIndex MCP 集成给出了另一条路线PageIndex 先为文档构建一棵层级化的树状索引再由大模型沿着树做推理式定位通过 MCP 协议接入后这些能力可以直接在 Claude 桌面版和 Cursor IDE 里使用。推理式 RAG 与向量 RAG 的差异PageIndex 为什么不用向量库理解 PageIndex 的关键是先看它和常见向量 RAG 在检索逻辑上的区别。向量 RAG 的思路是把文档切成小块、编码成向量查询时找语义最像的几块。它依赖的是相似度而相似度并不等于相关性——退款条款的例外情形和退款流程的常规步骤在向量空间里可能很接近但前者才是你要的答案。PageIndex 的思路更接近人类专家翻阅文档的方式先扫一遍目录锁定章节再翻到具体页码细读。对应到工程实现它分两步生成树状索引。把整份 PDF 解析成一棵目录树每个节点对应文档的一个自然章节带有标题、起止页码和摘要例如{ title: Financial Stability, node_id: 0006, start_index: 21, end_index: 22, summary: The Federal Reserve ..., nodes: [ { title: Monitoring Financial Vulnerabilities, node_id: 0007, ... } ] }树搜索式检索。大模型拿着你的问题在树上做推理判断哪些子章节可能包含答案逐层缩小范围最后读取相关页码的原文。这带来几个实际好处文档按自然章节组织而不是被切断成人为的块语义结构得以保留每次检索都有可追溯的推理路径你能看到模型为什么定位到了第 22 页检索结果还可以结合上下文比如对话历史、你补充的领域知识而不是一次性算死的向量距离。从零到可用的 PageIndex MCP 配置全流程整个过程是一条连贯的操作线先准备本地环境再注册 MCP 服务器。第一步克隆仓库并安装依赖需要 Python 3.8git clone https://gitcode.com/GitHub_Trending/pa/PageIndex cd PageIndex pip3 install --upgrade -r requirements.txt第二步配置 LLM 密钥。在根目录创建.env文件写入OPENAI_API_KEY你的密钥。树索引的生成依赖大模型密钥是必需的。第三步生成文档树索引。入口脚本是 run_pageindex.pypython3 run_pageindex.py --pdf_path /path/to/your/document.pdf运行后会在results/下产出文档名_structure.json就是上面的树结构。仓库里 examples/documents/results/ 目录放了多份样例文档财报、监管文件、学术教材的索引结果可以先翻看它们的形态。第四步接入 MCP 服务器。PageIndex 官方提供基于 MCP 协议的服务端在客户端里登记服务地址与鉴权信息即可。配置文件 pageindex/config.yaml 控制本地索引生成使用的模型与节点参数仓库中 pageindex/mcp_bridge.py 是与云端 MCP 服务通信的实现tests/data/cloud_mcp_contract.json 则描述了服务器暴露的工具契约想了解可用能力可以对照查看。在 Claude 桌面版与 Cursor 中接入 PageIndex MCP 后能做什么接入方式在两个客户端上是同构的在设置里找到 MCP 服务器配置项登记 PageIndex 的服务端点与密钥保存后重启客户端模型的工具列表里就会出现 PageIndex 提供的文档索引与检索工具。Claude 桌面版的体验更接近给 AI 递一份纸质档案把 PDF 交给它它会先完成索引然后你直接用自然语言提问——这份年报里经营现金流同比为什么下降回答会附上定位到具体章节和页码的推理过程方便你回原文核对。几百页的监管文件或尽调材料也不必自己翻目录。Cursor IDE里则适合把文档当活文档查写代码的同时问它这份 API 手册里超时重试参数怎么配这份技术规格书对幂等性的要求是什么答案直接出现在对话面板中无需切到浏览器里查文档。因为检索走的是树索引而非固定分块跨章节的综合性问题把涉及数据保留策略的所有条款列出来也能按章节聚合回答。拿真实文档试一把金融报告与技术手册 两类场景最能体现推理式检索的价值。金融文档。对一份季度财报提问本季度毛利率变化的主要原因向量 RAG 常返回术语相近的毛利率指引段落PageIndex 的树搜索则会先定位到经营成果讨论章节再细化。官方有可参照的量化结果基于 PageIndex 构建的 Mafin 2.5 在 FinanceBench金融文档问答基准上取得 98.7% 的准确率显著高于向量 RAG 方案。需要说明这个数字来自官方在特定基准测试集上的评测口径实际文档的效果仍取决于文档质量与问题类型。技术手册与规格书。提问配置项 X 的默认值、取值范围和相互依赖时答案能沿着手册的章节结构逐层收敛并给出页码引用。examples/agentic_vectorless_rag_demo.py 提供了一个完整的本地 agentic 检索示例可以对照理解上传文档 → 提问 → 得到带推理路径的答案的完整链路。让 PageIndex 检索效果更好的几个配置细节参数调整不必多几个对结果影响明显的点max-pages-per-node与max-tokens-per-node对应 pageindex/config.yaml 中的max_page_num_each_node、max_token_num_each_node默认 10 页 / 20000 token。节点越大摘要信息越密但检索时模型要读的上下文也越长节点越小定位越精准树却越深。长章节密集的文档可以适当调大条目式文档保持默认即可。toc_check_page_num默认 20生成树时检查目录页的范围。目录在很靠后位置的文档部分学术教材可以调大。PageIndex Flash如果嫌完整流程慢仓库提供了 pageindex/flash/ 子模块用版式统计启发式方法在几秒内生成树结构LLM 只负责写摘要。命令行加--flash即可再加--optimize让 LLM 对树做一轮检索优化。上图为官方基准开启树优化后端到端耗时与文档页数近似线性千页级文档约几分钟。复杂 PDF 的预处理开源仓库走的是标准 PDF 解析扫描件、复杂版式或双栏排版的文档建议先做 OCR 预处理官方云服务提供更强的 OCR 与建树管线。另外如果文档以 Markdown 形式输入注意多数 PDF 转 Markdown 工具会丢失层级直接用--md_path模式可能影响树的准确性。延伸资料与 PageIndex 项目的后续演进想深入的话仓库内已按学习路径组织好材料cookbook/可运行的 notebook包括 pageIndex_chat_quickstart.ipynb快速上手、pageindex_RAG_simple.ipynb最小推理式 RAG 示例和 vision_RAG_pageindex.ipynb基于页面图像的视觉 RAG。examples/tutorials/tree-search/树搜索检索的提示词写法以及如何把专家知识注入检索过程。examples/tutorials/doc-search/多文档场景下按元数据、语义、描述三种方式组织检索的实践。pageindex/flash/快速建树子模块的文档与基准数据。方向上PageIndex 团队正在推进文件级树索引PageIndex File System让推理检索从单文档扩展到整个文档语料库本地 pageindex/integrations/ 目录下已有面向不同 Agent SDK 的适配层后续接入更多客户端的工作会主要在这里演进。MCP 配好之后长文档就成了 AI 可以逐层推理的对象剩下的工作只是提出你想问的问题。【免费下载链接】PageIndex PageIndex: Document Index for Vectorless, Reasoning-based RAG项目地址: https://gitcode.com/GitHub_Trending/pa/PageIndex创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考