研究人员开发了Proxy-Pointer RAG，这是一种混合架构，试图将PageIndex等"无向量"检索系统的准确性与传统向量数据库的速度和成本效益相结合。该方法源于PageIndex在金融基准测试中98.7%的准确率，它依赖于构建分层"Smart Table of Contents"结构，让LLM像人类专家一样导航文档，而不是搜索随机片段。

PageIndex和类似无向量方法的核心问题是残酷的经济现实：构建分层树索引需要在摄取期间进行昂贵的LLM调用，检索需要两次LLM操作——一次导航树结构，另一次进行综合。向量RAG尽管存在准确性限制，但在操作现实中获胜：摄取使用便宜的embedding模型，检索只需单次LLM调用，以及跨文档集合的简单扩展。PageIndex在复杂文档深度分析方面表现出色，但在需要企业级知识库时就会失效。

Proxy-Pointer RAG声称通过将PageIndex的结构化推理原理融入向量索引架构来解决这个问题，尽管在现有报道中技术细节仍然稀少。该方法在一份131页的世界银行报告上使用Gemini-3-Flash进行了演示，但没有独立验证或更广泛的比较研究，目前尚不清楚这是否代表真正的突破或仅仅是增量工程改进。

对于构建生产RAG系统的开发者来说，核心矛盾依然存在：准确性与操作约束。在我们看到详细基准测试、成本分析和实际部署数据之前，Proxy-Pointer RAG只是加入了在研究论文中听起来很有前景但可能无法在生产工作负载和预算现实面前存活的RAG优化技术的长列表。