数据|非rag的类人检索

万物皆数据结构

还是根据应用场景的平衡抉择问题

Claude Code 创始人：我们放弃了向量 RAG

Claude Code 创始人 Boris Cherny 在 X 上分享：Claude Code 的早期版本曾采用 RAG + 向量数据库 来做代码检索

但很快发现 agentic search（智能体式检索） 在实际使用中更好用。原因包括：实现更简单、隐私与安全风险更低、无需处理索引过期问题，以及整体可靠性更高。

在代码场景中，数据相对结构化、搜索空间更小，因此 agentic search 更自然、更稳定。

在文档场景中，PageIndex 也独立采用了类似的思路。一种无需向量数据库、由推理驱动的 RAG 与 Agent 检索 Infra：通过模仿人类阅读过程，构建目录式的树索引，让 LLM 进行上下文推理式检索。无需向量数据库、无需切块，也能实现高精度、可追溯、可解释的长文档问答与 Agent 任务。

github readme↓ 挺好的宣发思路

传统向量RAG依赖语义相似度检索，存在三大痛点

问题与答案未必文字相关

分块导致上下文断裂

难以处理多层引用。

PageIndex提出的基于推理RAG采用人类式检索逻辑——先建立文档树状索引（类似目录结构），再通过递归推理逐层深入查找，如同人在图书馆按分类找书。

这种方法在FinanceBench测试中准确率达98.7%，特别适合处理财报、法律文书等专业长文档，实现真正基于相关性的精准检索。