> ## Content Index
> Fetch the complete content index at: https://blog.diegomirhan.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# PageIndex: RAG sem banco de vetores indexa por cerca de US$ 0,001 por página
- URL: https://blog.diegomirhan.com/pageindex-rag-sem-vetores-indice-em-arvore/
- Published: 2026-10-06T22:41:02.000Z
- Updated: 2026-10-06T22:41:02.000Z
- Description: O PageIndex dispensa embeddings e deixa o modelo navegar uma árvore de seções. Indexar custa cerca de US$ 0,001 por página, mas a precisão depende do modelo de chat.
- Author: Diego Rodrilla Mirhan
- Tags: Inovação, RAG, Open source, Ferramentas, #pipeline

O [PageIndex](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com), projeto open-source da Vectify AI com licença MIT, troca o banco de vetores do RAG por um índice em árvore que o próprio modelo navega, e lançou na semana passada a versão 0.2.21 do SDK. O repositório soma 38,8 mil estrelas e chama a atenção de quem monta RAG sobre documentos longos, como relatórios financeiros e manuais técnicos. Entender como ele funciona ajuda a decidir quando dá para dispensar embeddings.

Neste post

1. [Qual problema o PageIndex ataca no RAG?](#qual-problema-o-pageindex-ataca-no-rag)
2. [Como o PageIndex funciona, passo a passo](#como-o-pageindex-funciona-passo-a-passo)
3. [O que os números mostram](#o-que-os-n%C3%BAmeros-mostram)
4. [Como usar o PageIndex e o que ele exige](#como-usar-o-pageindex-e-o-que-ele-exige)
5. [Quais são os limites?](#quais-s%C3%A3o-os-limites)

## Qual problema o PageIndex ataca no RAG?

RAG (geração aumentada por recuperação) é o padrão em que o modelo recebe, junto com a pergunta, trechos de documentos buscados antes. O caminho comum quebra o documento em pedaços (chunking), transforma cada pedaço num vetor numérico (embedding) e, na hora da pergunta, busca os vetores mais parecidos com ela.

O README do [PageIndex](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com) resume a crítica numa frase: semelhança não é relevância. Num relatório de 400 páginas, a resposta pode estar numa nota de rodapé que não se parece com a pergunta, e o trecho que se parece pode ser irrelevante. A [VentureBeat](https://venturebeat.com/infrastructure/this-tree-search-framework-hits-98-7-on-documents-where-vector-search-fails?ref=blog.diegomirhan.com) deu o exemplo de quem procura como se calcula o EBITDA e recebe trechos que só repetem a sigla.

## Como o PageIndex funciona, passo a passo

O processo tem duas etapas, descritas no [repositório](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com). Na primeira, ele gera uma árvore a partir da estrutura do documento: capítulos, seções e subseções, cada nó com um resumo curto. Na segunda, um modelo percorre essa árvore raciocinando, como um leitor que abre o sumário, escolhe o capítulo provável e só então lê as páginas.

![Fluxo em cinco passos: PDF, árvore de seções, modelo navega a árvore, lê as páginas, responde com a referência](https://blog.diegomirhan.com/content/images/2026/10/pageindex-rag-sem-vetores-indice-em-arvore-figura-1.webp)

Como o PageIndex responde a uma pergunta

Segundo o README, a estrutura da árvore sai do layout do PDF e o modelo de indexação só resume e refina os nós, então um modelo básico basta. Quem escolhe os nós na hora da pergunta é o modelo de chat, e ali o projeto recomenda o melhor que o orçamento permitir. Como não há chunking, o caminho da busca fica visível: dá para ver quais seções foram abertas e por quê. A [VentureBeat](https://venturebeat.com/infrastructure/this-tree-search-framework-hits-98-7-on-documents-where-vector-search-fails?ref=blog.diegomirhan.com) cita essa auditabilidade e a ausência de um banco de vetores para manter como vantagens.

## O que os números mostram

O número de capa é a precisão de 98,7% no FinanceBench, um teste de perguntas sobre documentos financeiros. Ele vem do sistema Mafin 2.5, da própria Vectify, segundo a [VentureBeat](https://venturebeat.com/infrastructure/this-tree-search-framework-hits-98-7-on-documents-where-vector-search-fails?ref=blog.diegomirhan.com), e o [README](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com) o compara com 50% de um RAG vetorial. É um resultado da empresa, não de um terceiro, e a comparação depende de como o RAG vetorial foi montado.

Os números mais úteis para quem constrói são os de custo. O [README](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com) informa cerca de US$ 0,001 por página para indexar, com o modelo gpt-5.6-luna: um livro de 1.000 páginas custa pouco mais de um dólar, uma vez só. A indexação dos nove PDFs de teste, de 9 a 1.098 páginas, levou de 13 segundos a 4,5 minutos.

Na consulta, a alternativa é entregar o PDF inteiro ao modelo a cada pergunta. Segundo o [README](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com), isso custa 2,1 vezes mais que o PageIndex num documento de 52 páginas e 16,6 vezes mais num de 420\. Com 805 páginas, o PDF já não cabe na janela de contexto.

![Gráfico de barras: o PDF inteiro custa 2,1 vezes mais com 52 páginas, 3,4 com 85, 7,8 com 198 e 16,6 com 420](https://blog.diegomirhan.com/content/images/2026/10/pageindex-rag-sem-vetores-indice-em-arvore-figura-2.webp)

Custo por consulta com o PDF inteiro, em vezes o do PageIndex. Fonte: [github.com](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com)

Há também um [benchmark aberto](https://github.com/VectifyAI/PageIndex-OSS-Benchmark?ref=blog.diegomirhan.com) da versão local, com 62 perguntas sobre 34 PDFs (1.945 páginas), todas com resposta escrita em texto corrido, sem gráfico nem tabela. O gpt-5.6-luna acertou 53 de 62 (85,5%) sem raciocínio extra e 60 de 62 (96,8%) com esforço alto, a US$ 0,0036 por pergunta em média. O gpt-5.6-sol acertou 62 de 62 com esforço médio, a US$ 0,081 por pergunta, cerca de 22 vezes mais caro que o luna em esforço alto.

![Gráfico de custo e acerto por modelo: luna de 85,5% a 96,8%, terra e sol chegando a 100%, com custo por pergunta maior](https://blog.diegomirhan.com/content/images/2026/10/pageindex-rag-sem-vetores-indice-em-arvore-imagem-3.webp)

Resultado do benchmark da Vectify: quanto mais caro o modelo de chat e o esforço de raciocínio, mais perguntas o PageIndex acerta. Imagem: [VectifyAI](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com)

## Como usar o PageIndex e o que ele exige

A instalação é `pip install -U pageindex`. O exemplo do [README](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com) cria um cliente com um modelo para indexar e outro para conversar, envia o PDF e faz a pergunta. O modo local, lançado em agosto, indexa e consulta na sua máquina com a sua chave de API, e o mesmo cliente aponta para a nuvem da Vectify com outra chave.

A versão aberta lê PDFs com texto. OCR, entendimento de imagem, citação por bloco, metadados, pastas e servidor MCP ficam na versão em nuvem, paga, segundo o mesmo README. Para trabalhar com todo um acervo, e não um documento por vez, o projeto oferece o PageIndex File System, que também é só da nuvem.

## Quais são os limites?

O primeiro é o escopo. A [VentureBeat](https://venturebeat.com/infrastructure/this-tree-search-framework-hits-98-7-on-documents-where-vector-search-fails?ref=blog.diegomirhan.com) diz que a abordagem não é a melhor para documentos curtos, busca semântica aberta ou perguntas simples, em que embeddings resolvem. O [benchmark da própria equipe](https://github.com/VectifyAI/PageIndex-OSS-Benchmark?ref=blog.diegomirhan.com) também avisa que mede só fatos em texto corrido dentro do alcance da versão aberta e que não diz nada sobre os documentos fora dele.

O segundo é que a qualidade depende do modelo de chat. A [tabela do benchmark](https://github.com/VectifyAI/PageIndex-OSS-Benchmark?ref=blog.diegomirhan.com) mostra a diferença entre 85,5% e 100%, e o custo por pergunta vai de US$ 0,0036 a US$ 0,081 entre o luna e o sol. O terceiro é a dependência de API: os exemplos do README usam modelos da OpenAI, e não encontrei lá instrução para rodar a busca com um modelo local pequeno. Por fim, quase todos os números vêm da própria Vectify.

Minha leitura é que o PageIndex vale um teste em qualquer caso de documento longo e estruturado, onde o RAG vetorial erra por trazer o trecho parecido e não o certo. Em coleções de textos curtos eu continuaria com embeddings, que são mais baratos de consultar. O que eu cobraria do projeto é o mesmo benchmark com um modelo aberto rodando em GPU comum, porque é aí que se descobre se navegar a árvore compensa fora de uma API grande.

## Fontes

- [VectifyAI/PageIndex](https://github.com/VectifyAI/PageIndex?ref=blog.diegomirhan.com), GitHub, 6 out. 2026
- [VectifyAI/PageIndex-OSS-Benchmark](https://github.com/VectifyAI/PageIndex-OSS-Benchmark?ref=blog.diegomirhan.com), GitHub, 2026
- [This tree search framework hits 98.7% on documents where vector search fails](https://venturebeat.com/infrastructure/this-tree-search-framework-hits-98-7-on-documents-where-vector-search-fails?ref=blog.diegomirhan.com), VentureBeat, 30 jan. 2026