PageIndex OSS

概要

PageIndexは、Vectify AIが開発したオープンソースのVectorless RAG（ベクトルDB不要のRAG＝手持ちの資料をAIに読ませて答えさせる仕組み）エンジンです。従来のRAGは「テキストを細切れ（チャンク）にしてベクトルDBに蓄え、質問と似た断片を検索する」手法でしたが、PageIndexはまったく異なるアプローチを採ります。ドキュメントを階層的な目次ツリーに変換し、LLM（大規模言語モデル）がそのツリーを推論しながらたどることで、人間の専門家が書籍を読むように最適な節・段落へ到達します。

このアプローチが注目される最大の理由は精度と透明性です。財務文書QAベンチマーク「FinanceBench」において、従来のベクトルRAGが30〜50%程度の正解率にとどまる中、PageIndexは98.7%という最高水準を達成しています。さらに「どのページの何番のセクションを根拠に答えたか」が常に追跡できるため、「なんとなく答えが出た」ではなく根拠のある回答を得られます。OSSとして公開されているため、手元のPCで無料で試すことも、クラウドAPIとして本番環境に組み込むことも可能です。

主な機能

• ベクトルDB不要の推論ベース検索　ドキュメントを自動で階層ツリーに変換し、LLMがツリーをたどりながら関連箇所を「考えて」探す。ベクトルDBの構築・維持コストがゼロになる。
• チャンキング（細切れ分割）不要　文書を人工的に分割せず、章・節・段落といった自然な階層構造をそのまま保持するため、文脈が壊れない。
• 根拠の追跡が可能（トレーサビリティ）　検索結果には必ずページ番号・セクション参照が付き、「どこを根拠にした回答か」が一目でわかる。監査・コンプライアンス用途にも適する。
• 複数の利用形態に対応　チャット画面（PageIndex Chat）ですぐ試せるほか、MCP（AIエージェントからツールを呼び出す仕組み）やPython APIで自前アプリへの組み込みも可能。Claude・OpenAI・LangChain・CrewAI等のエージェントSDKと連携できる。
• マルチLLM対応（セルフホスト版）　OpenAI・Anthropic・Geminiなど主要LLMをLiteLLM経由で切り替えられる。自分が使いたいLLMをそのまま利用可能。
• ビジョン対応（OCR不要）RAG　従来のOCR（紙をテキストに変換する処理）を使わず、PDF画像をそのまま視覚的に読み込んで回答を生成するビジョンベースのパイプラインも実装可能。
• 大規模コーパスへのスケール　「PageIndex File System」機能により、単一文書だけでなく数百万件規模のドキュメント群全体をツリーでインデックス化し、横断検索を実現できる。

料金プラン

> ※料金は公式のDeveloper Dashboard（https://docs.pageindex.ai/pricing）で最新情報を確認してください。

導入方法

① OSSをローカルで動かす（セルフホスト）

# 1. リポジトリを取得
git clone https://github.com/VectifyAI/PageIndex
cd PageIndex

# 2. 依存パッケージをインストール
pip3 install --upgrade -r requirements.txt

# 3. LLMのAPIキーを.envファイルに設定
# 例: OPENAI_API_KEY=sk-...

# 4. PDFからツリーインデックスを生成
python3 run_pageindex.py --pdf_path /path/to/your/document.pdf

# Markdownファイルにも対応
python3 run_pageindex.py --md_path /path/to/your/document.md

② クラウドAPI（Python SDK）を使う

# SDKをインストール
pip install -U pageindex

from pageindex import PageIndexClient

# APIキーはDeveloper Dashboardで発行
pi_client = PageIndexClient(api_key="YOUR_API_KEY")

# PDFをアップロードして処理
result = pi_client.submit_document("./2023-annual-report.pdf")
doc_id = result["doc_id"]

# 処理完了を確認してから質問
response = pi_client.chat_completions(
    messages=[{"role": "user", "content": "このレポートの主要な発見事項は何ですか？"}],
    doc_id=doc_id
)
print(response["choices"][0]["message"]["content"])

③ MCPでClaudeやCursorに接続する

MCP（AIエージェントとツールをつなぐ共通規格）対応のクライアントなら、設定ファイルに以下を追記するだけで連携できます。

{
  "mcpServers": {
    "pageindex": {
      "type": "http",
      "url": "https://api.pageindex.ai/mcp",
      "headers": {
        "Authorization": "Bearer your_api_key"
      }
    }
  }
}

こんな人におすすめ

• 長いPDFに質問したいが、ChatGPTに貼り付けると「長すぎる」エラーが出る人　100ページを超える決算書・仕様書・契約書でも、ツリー検索で必要な箇所だけを正確に取り出せる。
• 「どこを根拠にした回答か」が重要なビジネス・法務・金融用途の開発者　ページ・セクション参照が常に付くため、監査やダブルチェックが必要な場面でも安心して使える。
• 既存のAIエージェント（Claude・OpenAI・LangChain等）に文書検索機能を追加したい人　MCP経由で接続するだけで、自前のエージェントがそのままPageIndexを「ツール」として呼び出せるようになる。
• ベクトルDBの維持・管理コストを下げたい個人開発者　Pinecone・Weaviateなどの外部ベクトルDBが不要になるため、インフラをシンプルに保ちながら高精度な文書QAを実現できる。

よくある質問

Q. ベクトルDBなしでなぜ精度が高いのですか？ A. 従来のRAGは「質問に似た文章を探す」だけなので、本当に答えが書かれているページではなく「似たキーワードが多い場所」を返してしまうことがあります。PageIndexはLLMが目次ツリーを見ながら「どの章・節に答えがありそうか」を推論してから読みに行くため、「似ている＝正解ではない」問題を回避できます。

Q. セルフホスト版とクラウドAPI版の違いは何ですか？ A. セルフホスト版はローカルで無料で動かせますが、標準的なPDF解析を使います。クラウド版は高精度OCRと強化されたツリー構築パイプラインを使うため、表が多い複雑なPDFでより高い精度が得られます。

Q. OpenAI以外のLLMでも使えますか？ A. セルフホスト版はLiteLLMを経由しているため、OpenAI・Anthropic・Geminiなど複数のLLMを切り替えて使えます。クラウドAPI版はPageIndex自身がLLMを管理するため、利用者側でのLLM設定は不要です。

Q. 日本語のPDFは処理できますか？ A. 公式ドキュメントには日本語対応の明示的な記載はありませんが、使用するLLM（GPT-4oなど）が多言語対応しているため、日本語PDFでも動作します。複雑なレイアウトの日本語文書はクラウド版の高精度OCRの利用が推奨されます。詳細は公式サイトで最新情報を確認してください。