PageIndex คือเครื่องมือ RAG ที่ไม่ใช้ vector DB…
เหตุผลของเขาคือการค้นด้วยความคล้ายหาข้อความที่ดูเหมือนคำถาม แต่ไม่ได้แปลว่าตอบคำถามได้ ในเอกสารยาวที่มีโครงสร้าง เช่น รายงานการเงิน ตัวเลขในตารางไม่มีความหมายถ้าตัดหัวตารางออก
สิ่งที่เพิ่มมาในเดือนสิงหาคม 2026 คือ SDK มีโหมด local ติดตั้งด้วย pip install -U pageindex สร้างดัชนี ค้น และคุยกับเอกสารได้ในเครื่องเราทั้งหมดโดยใช้ LLM key ของเราเอง หรือจะชี้ไคลเอนต์ตัวเดิมไปที่ PageIndex Cloud ก็ได้ และมี PageIndex Flash สร้างต้นไม้เร็วสำหรับ PDF ที่เป็นข้อความ ซึ่งเป็นวิธีเริ่มต้นในโหมด local
เรื่องความแม่น ทีมเคลม 98.7% บน FinanceBench ซึ่งเป็นชุดถามตอบเอกสารการเงิน ผมไล่ดูต้นทางแล้ว ตัวเลขนี้เป็นของ Mafin 2.5 ระบบวิเคราะห์การเงินของ VectifyAI ที่สร้างบน PageIndex ในรีโปของเขาระบุว่าทดสอบครบทั้งชุดและเปิดผลเป็นสาธารณะ เทียบกับ vector RAG ที่ README ว่าได้ราว 50% เป็นตัวเลขที่ทีมรายงานเอง ผมยังไม่ได้รันซ้ำ
บทวิเคราะห์ที่ผมอ่านชี้ข้อควรระวังว่า ผลสาธารณะมีแค่ชุดเดียวคือเอกสารการเงิน ยังไม่มีข้อมูลบนเอกสารเทคนิค สัญญา หรือภาษาอื่น และวิธีนี้ทำงานดีเมื่อเอกสารมีสารบัญและโครงสร้างชัด ถ้าเป็นอีเมลหรือเอกสารรกๆ ภาพต้นไม้จะเริ่มพัง ส่วน vector RAG ยังชนะเรื่องต้นทุนต่อคำถาม ความเร็ว และการขยายถึงหลายล้านเอกสาร อีกข้อคือเนื้อหาเอกสารจะถูกส่งให้โมเดลที่เราเลือก ต้องเช็กเรื่องข้อกำหนดข้อมูลก่อน
ผมเห็นว่าน่าจะเหมาะกับสเปกยาว สัญญา และใบเสนอราคาที่ vector RAG มักหลุดหน้า แต่ข้อนี้เป็นการคาดของผม ผลที่เขาโชว์เป็นเอกสารการเงิน ควรลองกับเอกสารจริงของเราสักชุดก่อนตัดสินใจ
ที่มา: GitHub ของโครงการ รีโปผลทดสอบ FinanceBench ของ VectifyAI และบทวิเคราะห์ที่กล่าวถึง
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac