PageIndex: ИИ-поиск по договорам без векторной базы, проверка

Договор на 300 страниц и вопрос про неустойку

Юрист спрашивает: какая неустойка за просрочку по договору с приложениями? Условие в основном тексте, а ставка в приложении 4, на которое там сослались словами «см. приложение». Поиск по смыслу режет документ на куски, и связь с приложением теряется.

Проект VectifyAI/PageIndex делает иначе. По README структура берётся из разметки страниц без модели: заголовки, вложенность, диапазоны страниц. Модель пишет краткое описание каждого узла, а на вопрос читает дерево, выбирает разделы и открывает их страницы целиком. Пост GitHub Radar от 04.11.2026 я не открывал, читал репозиторий, README и ноутбуки с замерами.

Про обычную схему с векторами у меня есть отдельный разбор.

Что стоит за цифрой 92,1%

Цифра нашлась в ноутбуке cookbook/pageindex-vs-vector-10k. Условия такие.

• 63 вопроса по пяти годовым отчётам NVIDIA (форма 10-K, 2022 до 2026), на английском. В 15 вопросах отчёт не назван, в 48 назван год, из них 16 сравнивают два года.
• PageIndex ответил на 63 из 63, это 110,48 доллара за 1000 запросов. Лучший вектор, модель Voyage 4 при выборке 100 кусков, дал 92,1%, то есть 58 из 63, за 134 доллара.
• При выборке 10 кусков те же вектора дают от 42,9% до 76,2%, зато стоят около 15 долларов за 1000 запросов. Дерево выходит дешевле вектора с выборкой 100 кусков и дороже вектора с выборкой 10.

Оговорки. Замер сделали авторы проекта. Ответы оценивала модель-судья (Claude Opus 5.5) по ключевым пунктам, не зная, чей ответ перед ней. Модель для ответа у всех систем одна. Куски у вектора одного размера, 512 токенов, реранкера и гибридного поиска в коде ноутбука я не увидел. Цифры PageIndex взяты из более раннего прогона.

Воспроизвести можно: вопросы, ссылки на PDF и код выложены, авторы пишут про полчаса и около 110 долларов. Я не запускал. Заявленные в README 98,7% на FinanceBench относятся к их продукту Mafin 2.5, их я не проверял.

Лицензия, возраст, живой ли проект

В файле LICENSE лежит MIT, авторское право Vectify AI. Платных модулей внутри я не нашёл. Рядом живёт облако PageIndex Cloud с OCR, его условия я не смотрел.

Репозиторий создан 01.04.2025. Последний релиз v0.5.3 вышел 05.11.2026, на PyPI 57 релизов. Участников 16, но основная работа у двух аккаунтов. Открытых issues 168. В pyproject стоит пометка Alpha. Комментарий там же: litellm 1.107.0 оказался вредоносным, версия зафиксирована ниже 1.106. Зависимости ставьте с проверкой версий.

Куда уходят страницы договора

Дерево строится без модели, но описание каждого узла пишет индексирующая модель, и ей уходит текст страниц. При вопросе чат-модель получает дерево и открытые страницы. В примере README ключ OpenAI, но модели идут через LiteLLM: подходит другой провайдер, подписка Claude Code или свой сервер через параметр api_base (в документации упомянут vLLM). Локальную модель я не запускал и не знаю, как дерево работает на маленькой. Авторы советуют для чата самую сильную модель из доступных.

В облачном режиме файл уходит на api.pageindex.ai, где он хранится, я не проверял. В локальном коде обращений к их серверу я не нашёл, полный аудит не делал.

Что говорит закон, по тексту на consultant.ru на 10.11.2026. Статья 12 закона 152-ФЗ (часть 3): до начала трансграничной передачи оператор обязан уведомить Роскомнадзор. Часть 5 статьи 18: при сборе персональных данных граждан РФ запрещены запись, систематизация, накопление, хранение, уточнение и извлечение с использованием баз данных за пределами России, с исключениями из пунктов 2, 3, 4 и 8 части 1 статьи 6. На странице стоит пометка о подготовленной редакции с ещё не вступившими изменениями, проверяйте действующую. В договорах с физлицами есть ФИО, паспорта, адреса. Подпадает ли вызов зарубежной модели под эти нормы, зависит от того, хранит ли провайдер запросы и где. Это вопрос юриста.

Коммерческая тайна: по статье 10 закона 98-ФЗ меры охраны включают учёт лиц, которым информация передана, и урегулирование отношений с контрагентами по договорам. По моему прочтению, внешний сервис, получающий страницы, должен попадать под такие условия.

Цена индексации и где дерево слабее

README называет около 0,0011 доллара за страницу с недорогой моделью, тысяча страниц чуть больше доллара. Из их таблицы токенов выходит около 1450 входных и 590 выходных токенов на страницу, документы до 1098 страниц индексировались от 13 секунд до 4,5 минуты. Моя прикидка: архив в 5000 страниц обойдётся примерно в 5 или 6 долларов, один раз, на облачной модели. На локальной цена превращается во время видеокарты, его я не мерил. Один вопрос по замеру авторов стоит около 11 центов.

Где слабее. Много мелких документов, письма и акты по странице-две: дерево из одного узла ничего не даёт. Плоский PDF длиннее 10 страниц без структуры локальный клиент по коду отказывается брать. Текст без заголовков, например переписка, тоже слабое место. На каждый вопрос уходит несколько шагов модели (в ноутбуке до 20), вектор тратит один вызов. Поиск «найди похожие договоры» лучше отдать вектору, это моё предположение, в замерах такого нет.

Язык. README про языки молчит. В issue 502 авторы пишут, что убрали отсечки по алфавиту, структуру решает вёрстка, а язык влияет только на подсказки вроде регистра и нумерации. Русские договоры я не гонял. Сканы: локально OCR нет, PDF без текстового слоя дают пустую структуру, и до PageIndex их надо распознать, например через MinerU. Локально принимаются только PDF, Word надо конвертировать.

Что можно сделать уже сейчас

1. Возьмите от 20 до 30 реальных вопросов к пяти или десяти вашим документам и запишите правильные ответы с номерами страниц.
2. Прогоните три способа: дерево, вектор и обычный поиск по словам. Сравните точность и цену.
3. Для пробы возьмите обезличенные копии или модель на своём сервере. Настоящие договоры внешнему API отдавайте после ответа юриста.
4. Сканы сначала распознайте, потом индексируйте. Как собрать это локально, описано в статье про RAG на своих документах.

Я делаю такой поиск под ключ на сервере заказчика или с локальной моделью и проверяю точность на ваших документах до запуска. Подробности в разделе RAG-систем.

Частые вопросы

Нужен ли ключ OpenAI?

В примере README он есть, но через LiteLLM можно подключить другого провайдера или свой сервер. Локальную модель я не проверял.

Заменит ли дерево векторную базу полностью?

Для длинных документов со структурой замеры в его пользу. Для россыпи мелких файлов данных нет.

Можно ли загружать договоры в облако PageIndex?

Условия облака и место хранения я не проверял. При персональных данных или коммерческой тайне сначала нужен ответ юриста.

Коротко о главном

PageIndex стоит пробовать на длинных договорах и отчётах со структурой: лицензия MIT, проект живой, замер открыт. Пока это замер авторов на английских отчётах одной компании. Как дерево поведёт себя на русских договорах, с локальной моделью и на ваших сканах, неизвестно.

Если нужен поиск по договорам и отчётам и вы хотите сначала проверить точность на своих файлах, напишите мне в Telegram и укажите кодовое слово «ДЕРЕВО». Начну с тестового прогона на ваших документах.