用 PageIndex MCP 让 Claude 与 Cursor 读懂长文档配置指南【免费下载链接】PageIndex PageIndex: Document Index for Vectorless, Reasoning-based RAG项目地址: https://gitcode.com/GitHub_Trending/pa/PageIndexPageIndex 是一个面向长文档的无向量RAG 框架它先把 PDF 解析成树状目录索引再由 LLM 在索引上做推理式检索而不依赖向量数据库和文本分块。如果你的工作经常涉及几十页以上的财报、监管文件、技术手册并且希望直接在 Claude 桌面版或 Cursor 里提问、而不是反复手动翻 PDF那么 PageIndex MCP 可以把这类文档接入你的 AI 客户端。MCP 是一种让 AI 客户端连接外部工具或数据源的开放协议配置一次后即可反复使用。哪些场景适合用它长文档问答几百页的年报或合规文件直接提问某项费用是如何确认的检索结果会落到具体页码和章节。IDE 内查文档在 Cursor 里写代码时随时查询 API 手册、内部规范文档不用切窗口找资料。专业资料定位金融、法律、医学类文档往往需要上下文理解相似度搜索容易漏掉相关但不相似的段落推理式检索对此更友好。需要可追溯的结果每次检索都能说明为什么选这几页方便人工核对答案来源。它更适合结构化的长文档对纯扫描件或排版极乱的 PDF本地解析效果有限可考虑官方提供的云端服务。工作原理和传统 RAG 的区别传统向量 RAG 的流程是切块 → 向量化 → 按相似度召回。问题在于相似不等于相关而且召回结果难以解释。PageIndex 换了思路索引结构为文档生成一棵类似目录的树每个节点记录标题、起止页码和摘要可参考 examples/documents/results/ 中的示例 JSON。检索方式把问题和树一起交给 LLM让模型像人一样逐级下钻判断哪些节点可能包含答案而不是算向量距离。可追溯性结果绑定明确的页码与章节引用推理过程可见便于复核。仓库中还提供一个预览版模块 PageIndex Flash见 pageindex/flash/用启发式方法在几秒内生成树结构节点摘要才调用 LLM适合先快速验证效果。下图展示了 Flash 加树优化后的端到端耗时随文档页数近似线性增长快速上手从克隆到验证前置条件Python 3.8 及以上一个 LLM API Key仓库通过 LiteLLM 支持多家模型默认走 OpenAI第一步获取项目git clone https://gitcode.com/GitHub_Trending/pa/PageIndex cd PageIndex第二步安装依赖pip3 install --upgrade -r requirements.txt第三步配置 LLM 密钥在项目根目录新建.env文件写入模型密钥例如OPENAI_API_KEY你的密钥第四步生成文档的树索引python3 run_pageindex.py --pdf_path /path/to/your/document.pdf运行完成后会在results/下生成文档名_structure.json这就是可供检索的树索引。常用可调参数--max-pages-per-node单个节点最多覆盖的页数默认 10--max-tokens-per-node单个节点最多 token 数默认 20000--flash启用 Flash 快速模式加--optimize会额外用 LLM 优化树结构模型和索引参数也可在 pageindex/config.yaml 中调整例如切换model字段里的模型。第五步验证 MCP 是否可用仓库内的 pageindex/mcp_bridge.py 内置了 MCP 客户端用于连接 PageIndex 的云端 MCP 服务云端服务提供增强 OCR 和检索需要 API Key见仓库README中的开发者入口说明。配置好客户端后在 Claude 或 Cursor 中提一个针对已索引文档的问题若能返回带页码引用的章节内容说明链路通了。在 Claude 桌面版与 Cursor 中配置两个客户端都走标准 MCP 配置入口差别主要在交互方式Claude 桌面版打开设置找到 MCP 服务器MCP Servers配置项。添加 PageIndex MCP 服务器条目填入服务地址与鉴权信息。保存后回到对话窗口把要问的文档名或上下文写进提问例如根据 q1-fy25-earnings 文档说明营收下滑的主要原因。注意云端服务与本地生成的索引是两条路径先用哪条取决于你是否有云端 API Key自托管路径下你可以把生成的树 JSON 直接作为上下文交给 Claude 做检索演示。Cursor IDE在 Cursor 设置中打开 MCP 面板新增同一套服务器配置。Cursor 的优势是可以边写代码边查文档适合把技术手册、内部规范常驻接入。建议先用一个短文档跑通提问 → 返回带页码引用的完整链路再接入大文档便于定位是配置问题还是索引问题。使用建议与常见限制文档预处理Markdown 模式--md_path依赖标题层级#判断结构如果 MD 是从 PDF 转来的层级多半已经丢失不建议直接用改用 PDF 模式或官方 OCR 转换。参数调整章节稀疏的文档可适当调小--max-pages-per-node超长章节密集的文档则调大避免单个节点信息过载。扫描版 PDF本地解析基于文本层提取纯图片扫描件效果差这是常见失败原因。排查方向生成索引报错先看 PDF 解析是否成功检索不准先看树结构 JSON 的节点切分是否合理再考虑加--optimize或换更强的retrieve_model。多文档检索仓库默认面向单文档推理检索跨文档场景可参考 examples/tutorials/doc-search/ 中的元数据、语义、描述三种工作流。延伸阅读cookbook/pageIndex_chat_quickstart.ipynb对话式快速入门cookbook/pageindex_RAG_simple.ipynb最小化的推理式 RAG 示例examples/tutorials/tree-search/如何用 LLM 在树上做检索含提示词模板pageindex/config.yaml模型与索引参数配置下一步建议挑一份自己常用的长 PDF按上面的步骤生成树索引再在 Claude 或 Cursor 中提一个真实问题验证页码引用是否准确。【免费下载链接】PageIndex PageIndex: Document Index for Vectorless, Reasoning-based RAG项目地址: https://gitcode.com/GitHub_Trending/pa/PageIndex创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考