用途：该技能指导使用 Pinecone 作为向量数据库，构建两类系统——对文档语料（PDF、文档、代码、网页）做 RAG 检索以支撑大模型回答，或为智能体建立跨会话、可共享的持久记忆。使用前需先确认属于文档检索、智能体记忆还是两者兼有，因为命名空间策略和检索模式不同。
主要能力：选择索引配置（无服务器 ServerlessSpec 或基于 Pod 的 PodSpec，维度须与嵌入模型完全匹配，如 text-embedding-3-small 为 1536、voyage-3 为 1024）；批量嵌入并 upsert 文档，建议每批 100 条，并把原文存入 metadata；检索策略包括稠密语义搜索、结合 BM25 的混合搜索（适合法律引用、医疗编码、产品 SKU、API 方法名等精确术语场景）以及元数据过滤；文档 RAG 流程为检索若干命中片段拼成上下文交给模型回答；智能体记忆流程用命名空间隔离每个智能体或用户，提供 remember、recall、forget 操作。
使用方式：文档给出 Python 示例，先用 Pinecone(api_key="PINECONE_API_KEY") 创建或连接索引，再用 index.upsert、index.query 完成写入与检索，最后接 chat.completions 生成回答，并建议先跑冒烟测试验证端到端可用。
适用场景：需要语义搜索、RAG 问答、跨会话或多智能体共享知识库记忆的生产系统。
限制：若数据可放入内存且不在意延迟，可改用 FAISS 或 Chroma；已使用 PostgreSQL 可用 pgvector；需要无外部调用的亚 5 毫秒延迟应选本地向量存储；用户指定其他向量库（Weaviate、Qdrant 等）时不适用。常见坑包括维度不匹配、metadata 未存原文、循环中单条 upsert、未规划命名空间导致跨租户数据泄露、在过小语料上拟合 BM25（建议至少数百篇文档）。