vectifyai/pageindex의 최신 릴리스 v0.4.3은 벡터 저장소 대신 문서별 계층 트리를 인덱스로 쓰는 Python 라이브러리다. 검색 증강 생성(RAG)은 검색한 근거를 모델에 전달해 답을 만드는 방식이다. 이 프로젝트는 문서를 벡터로 바꿔 유사도를 찾는 대신, LLM이 트리 구조를 따라 관련 내용을 고르게 한다. 라이선스는 MIT다.
README는 검색할 때 대화 이력과 도메인 지식 등 전체 문맥을 활용해, 질문과 비슷해도 무관한 결과를 덜 가져오는 것이 핵심이라고 설명한다. 로컬 인덱싱 비용은 페이지당 약 0.001달러로 제시한다. gpt-5.6-luna 기준 1000페이지 교과서는 1달러를 조금 넘는다고 밝힌다. 패키지에는 flash·classic·markdown 인덱싱 경로와 MCP 브리지, 클라우드 및 로컬 API가 포함된다.
성능 비교는 별도 저장소의 자체 벤치마크에 근거한다. 34개 PDF, 1945페이지와 62개 조회 질문을 평가했고, 같은 답을 내는 구간에서 네이티브 PDF 입력은 52페이지일 때 2.1배, 420페이지일 때 16.6배 비싸며 805페이지에서는 문맥 창에 들어가지 않는다고 적었다. 이 비교는 자체 평가이며, 벤치마크 저장소가 따로 있어 pageindex 저장소만으로 재현하기 어렵다. 따라서 비용 수치는 제시돼 있지만, 독립적으로 확인된 성능 근거로 보기는 어렵다.