有人开源了一个完全不用向量数据库的 RAG 系统，在财务问答上准确率达 98.7%
有人开源了一个完全不用向量数据库的 RAG 系统，在财务问答上准确率达 98.7% | 传统 RAG 的核心机制是将文档切分为 chunk，经向量化后存入向量库，检索时通过语义相似度匹配。但"相似"不等于"相关"——这在专业领域尤其明显。PageIndex 从这个认知出发，提出了一种完全放弃向量检索的方案。
核心技术路径分两步：
- 索引阶段，利用 LLM 对原始文档生成分层树结构的目录，保留文档自然的章节层级，而非任意切分；
- 检索阶段，LLM 在这棵树上做多步推理，模拟专家查阅文档的方式逐层定位信息，每一步决策都带有页码和章节引用，因此检索过程完全可追溯。
这个设计有一个关键意义：它把 RAG 的信息瓶颈从"向量相似度"转移到了"LLM 推理能力"，推理越强，检索越准。
项目方在设计树搜索检索策略时引用了 AlphaGo 的思路，在 FinanceBench 金融问答基准上报告了 98.7% 的准确率。目前支持 PDF 和 Markdown 输入，已推出云版本和 MCP 集成，适用于 RAG 系统开发者和对检索机制做深度研究的团队。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～