트렌드깃허브 · 쇼핑에서 뜬 것, 매일 07:30 · English

깃허브 · 2026년 11월 15일 기준 · 깃허브에서 보기 →

VectifyAI/PageIndex

문서 구조를 따라 답을 찾는 검색 도구

7일 동안 별 +218 · 최근 30일 가운데 6일 트렌딩

벡터 데이터베이스 없이 LLM 추론으로 전문 문서를 읽는 검색 엔진

긴 보고서나 법률 문서에서 핵심 정보를 찾을 때, 단순히 비슷한 단어를 찾는 대신 전문가처럼 목차를 따라가며 필요한 부분만 읽는 경험을 제공합니다. PageIndex는 문서를 나무 구조로 정리한 뒤, LLM이 그 구조를 따라가며 답을 찾아내는 방식의 검색 도구입니다. 벡터 데이터베이스나 텍스트 분할 과정 없이도 문맥을 이해한 정확한 검색이 가능해집니다.

벡터 검색의 한계를 넘어서기

기존의 벡터 기반 검색은 단어의 유사도를 기준으로 정보를 찾지만, 전문 문서에서는 유사한 표현이 반드시 관련 있는 내용은 아닙니다. PageIndex는 AlphaGo에서 영감을 받아, 문서를 계층형 트리 구조로 인덱싱하고 LLM이 이 트리를 탐색하도록 설계했습니다. 이를 통해 검색 과정이 투명해지고, 어떤 근거로 답을 찾았는지 추적할 수 있습니다. 금융 보고서, 법률 문서, 기술 매뉴얼 등 복잡한 맥락이 필요한 문서에서 특히 효과적입니다.

최근 업데이트와 주요 기능

2026년 10월에는 Page Search API가 추가되어 질문을 해결하는 페이지를 약 1초 만에 찾아내고, LLM에 해당 페이지만 전송함으로써 문서 질의응답 시 토큰 비용을 97% 절감합니다.

  • Page Search API 질문에 답하는 페이지를 빠르게 식별하여 LLM 입력 토큰을 최소화합니다.
  • PageIndex SDK 로컬 및 클라우드 환경에서 인덱싱부터 채팅까지 하나의 클라이언트로 처리합니다.
  • PageIndex Flash 텍스트 기반 PDF의 트리 인덱싱 속도를 높여 로컬 모드에서 기본으로 사용됩니다.

성능과 비용 비교

FinanceBench 벤치마크에서 PageIndex는 98.7%의 정확도를 기록하며 벡터 기반 RAG를 크게 앞섰습니다. 로컬 인덱싱 비용은 페이지당 약 0.001달러로, 1,000페이지 분량의 교과서를 인덱싱하는 데 1달러가 조금 넘는 비용과 몇 분의 시간이 소요됩니다. 전체 PDF를 매번 모델에 입력하는 방식과 비교하면, 52페이지 문서에서는 2.1배, 420페이지 문서에서는 16.6배 더 적은 비용으로 동일한 답변을 얻을 수 있습니다. 805페이지 이상의 문서에서는 컨텍스트 윈도우에 문서 전체를 담을 수 없어 PageIndex 방식이 필수적입니다.

클라우드와 로컬의 차이

오픈소스 버전은 텍스트 중심의 PDF와 로컬 워크플로우에 적합하며, 인덱싱과 저장을 사용자의 머신에서 처리합니다. PageIndex Cloud는 스캔본이나 이미지 중심 문서도 지원하며, OCR, 이미지 이해, 메타데이터 관리, 폴더 구조, MCP 서버 기능을 제공합니다. 클라우드 모드로 전환하려면 PageIndex API 키만 설정하면 되며, 채팅과 검색 계층은 기존에 사용하던 모델 프로바이더와 호환됩니다. 대규모 문서 집단을 다루려면 클라우드 전용인 PageIndex File System을 활용할 수 있습니다.

적용 전 확인 사항

PageIndex는 Python으로 작성되어 있으며, pip install -U pageindex 명령으로 설치할 수 있습니다. 인덱싱 모델은 기본 모델로도 충분하지만, 검색을 담당하는 채팅 모델은 가능한 한 성능이 좋은 모델을 사용하는 것이 정확도에 유리합니다. Claude 구독을 보유하고 있다면 pageindex[claude]를 설치하여 API 키 없이 Claude 모델을 사용할 수 있습니다. 벡터 데이터베이스가 필요 없는 환경이나, 검색 결과의 근거 추적이 중요한 전문 문서 처리 작업에 적합합니다. 다만, 이미지나 스캔본이 포함된 문서는 클라우드 버전에서만 지원되므로 사용 환경에 따라 로컬 또는 클라우드 모드를 선택해야 합니다.

AI가 이 저장소의 README를 읽고 2026년 10월 27일에 쓴 글입니다. 사실관계는 깃허브 원문이 기준입니다.

숫자로 본 저장소

깃허브 트렌딩 기록
트렌드가 기록을 시작한 2026년 6월 19일 ~ 11월 15일 가운데 10일 · 최근 30일 가운데 6일 · 처음 오른 날 9월 29일 · 일간 최고 11위(9월 29일)

2026년 11월 15일 기준으로 깃허브에서 읽은 숫자입니다.

언어
Python
주제 태그
agentic-ai · agents · ai · ai-agents · context-engineering · information-retrieval · llm · rag
별
40,445
7일 동안 늘어난 별
+218
기여자
16
포크
3,477
최근 릴리스
v0.6.0 · 2026년 11월 14일
커밋
577
마지막 커밋
2026년 11월 14일
열린 이슈
58
열린 PR
114

함께 보면 좋은 저장소

깃허브에서 보기 → · 홈페이지

README에 달기

trend.ondo.sh · 깃허브 일간 트렌딩 11위 · 2026년 9월 29일 trend.ondo.sh · GitHub daily trending #11 · September 29, 2026

위 배지는 이 저장소가 2026년 6월 19일 이후 깃허브 일간 트렌딩에서 가장 높이 오른 순위와 그날을 보여 줍니다. README의 언어에 맞는 줄을 붙여 넣으세요. 배지를 누르면 이 페이지가 열리고, 저장소가 더 높이 오르면 배지도 저절로 바뀝니다.

한국어 README

[![trend.ondo.sh](https://trend.ondo.sh/github/r/VectifyAI--PageIndex/badge.svg)](https://trend.ondo.sh/github/r/VectifyAI--PageIndex/)

영어 README

[![trend.ondo.sh](https://trend.ondo.sh/github/r/VectifyAI--PageIndex/badge.en.svg)](https://trend.ondo.sh/github/r/VectifyAI--PageIndex/en.html)