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 RAGClaude 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。