让 AI 从上千页报告里找答案，常见做法是先把文档切成小段，再把文字转成数字，按语义相似度搜索。问题是，“说得像”不等于“答得上”：切分还可能拆散表格、章节关系和跨页论证。PageIndex因此押注另一条路线，用推理式文档 RAG——先检索资料，再让模型回答——处理复杂长文档。
它不建向量数据库，也不固定切块，而是把文档整理成类似目录的层级树。收到问题后，大语言模型（LLM）先判断该看哪个章节，再逐层找到相关内容，像人翻目录查报告。最值得注意的一步是：树的骨架直接来自文档版式，模型只负责概括和修整；项目方称，这让索引阶段可使用较基础的模型，并让检索路径对应到明确位置。
这种方法保留了章节脉络，也能结合对话历史等上下文，但代价是每次检索都要让模型参与推理，计算量通常高于单纯的相似度搜索。项目页给出了成本和耗时估算，但现有材料未完整披露基准结果，实际准确率优势仍需更多证据支持。