Long-Document Search with Jev and PageIndex
这是 PageIndex 公开的项目资料。本站按原始来源展示项目信息，用中文说明适用场景和阅读边界；项目名、源帖与代码保持原样，便于逐项核对。
这条案例记录了什么
场景
搜索与检索
给文本片段或候选文档提供相关性判断。
证据
社区公开项目或作者演示
原始来源：X post。作者自述，本站未独立复现。
时间与作者
PageIndex
记录日期：2026-10-02。日期与身份应以原始资料为准。
怎样核对这个项目
- 先打开原始来源，确认作者、日期与 Jev 在项目中的具体用途。
- 如果提供仓库，再检查代码、运行要求和许可证；仓库存在不代表本站已经运行成功。
- 对速度、成本、准确率和规模数字，查看原文的任务、环境和计算口径。
- 原文是否可追溯。
- 召回与误排表现。
- 大规模成本是否实测。
原始文字与技术细节
以下内容保留原语言，供核对事实。中文页的场景说明是阅读提示，不是逐句翻译或实测结论。
展开英文项目摘要与原帖
项目摘要
Search long PDFs by following a document tree. PageIndex builds the structure; Jev selects sections and candidate pages, then checks whether those pages contain information relevant to the question. Python ranks the paths and returns page references.
来源原文
Inspired by @EGafni’s Twitter thread on combining Jev with PageIndex. We show how to build long-document search with @typesafeai Jev + PageIndex. No vector database. No embeddings. Open source: https://github.com/VectifyAI/jev-doc-search 🧵👇
原记录的限制
- Not independently run or benchmarked by JevForAgents.
- PDFs are uploaded to PageIndex; API access is required.
- The fallback can return two pages even when none passes the relevance threshold.