SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场pinecone

pinecone

数据与分析

查看项目

更新于 10-21 16:18

技能介绍

Pinecone 是面向生产级 AI 应用的托管式无服务器向量数据库。本技能文档用于指导通过 Pinecone 的 Python 客户端以及 LangChain、LlamaIndex 集成来使用它。

一、适用场景 当出现以下需求时可考虑使用 Pinecone：需要托管、无服务器的向量数据库；构建生产级 RAG 应用；需要自动扩展；对低延迟有严格要求（<100ms）；不想自行管理基础设施；需要混合搜索（稠密 + 稀疏向量）。

其指标为：完全托管的 SaaS；可自动扩展至数十亿向量；p95 延迟 <100ms；99.9% 可用性 SLA。

文档同时给出替代方案：Chroma（自托管、开源）、FAISS（离线、纯相似度搜索）、Weaviate（自托管、功能更多）。

二、快速开始 安装命令：pip install pinecone-client

基本用法示例（保留原始代码）： from pinecone import Pinecone, ServerlessSpec

Initialize

pc = Pinecone(api_key="your-api-key")

Create index

pc.create_index( name="my-index", dimension=1536, # Must match embedding dimension metric="cosine", # or "euclidean", "dotproduct" spec=ServerlessSpec(cloud="aws", region="us-east-1") )

Connect to index

index = pc.Index("my-index")

Upsert vectors

index.upsert(vectors=[ {"id": "vec1", "values": [0.1, 0.2, ...], "metadata": {"category": "A"}}, {"id": "vec2", "values": [0.3, 0.4, ...], "metadata": {"category": "B"}} ])

Query

results = index.query( vector=[0.1, 0.2, ...], top_k=5, include_metadata=True )

print(results["matches"])

三、核心操作

  1. 创建索引：支持 Serverless（推荐）与 Pod-based（用于稳定性能）两种方式。Serverless 可指定 cloud（aws、gcp、azure）与 region；Pod-based 需从 pinecone 导入 PodSpec，指定 environment 与 pod_type。

  2. 写入向量（Upsert）：支持单条写入与批量写入（推荐），批量时使用 batch_size 参数（示例为 100）。每条向量包含 id、values（1536 维）与 metadata（如 text、category、timestamp）。

  3. 查询向量：支持基本查询（top_k、include_metadata、include_values）、带元数据过滤的查询、按命名空间查询。结果通过 results["matches"] 访问，包含 id、score、metadata。

  4. 元数据过滤：支持精确匹配、比较运算符（$gt、$gte、$lt、$lte、$ne）、逻辑运算符（$and、$or）以及 $in 运算符。

  5. 命名空间：可按命名空间分区数据（如 user-123），查询时指定命名空间，并通过 describe_index_stats 列出命名空间。

  6. 混合搜索（稠密 + 稀疏）：写入时可同时提供 values（稠密向量）与 sparse_values（indices 为 token ID，values 为 TF-IDF 分数）；查询时提供 vector 与 sparse_vector，并用 alpha 控制权重（0=稀疏，1=稠密，0.5=混合）。

四、框架集成

  1. LangChain：从 langchain_pinecone 导入 PineconeVectorStore，配合 OpenAIEmbeddings，可用 from_documents 创建向量存储，支持 similarity_search（含 filter）以及 as_retriever。

  2. LlamaIndex：从 llama_index.vector_stores.pinecone 导入 PineconeVectorStore，连接 Pinecone 索引后创建向量存储，再配合 StorageContext 与 VectorStoreIndex 使用。

五、索引与向量管理 索引管理：list_indexes、describe_index、describe_index_stats（可查看 total_vector_count 与 namespaces）、delete_index。 向量删除：按 ID 删除、按过滤条件删除、删除命名空间内全部（delete_all=True 加 namespace）、删除整个索引（delete_all=True）。

六、最佳实践 使用 serverless（自动扩展、成本效益高）；批量 upsert（每批 100-200 更高效）；添加元数据以支持过滤；使用命名空间按用户/租户隔离数据；监控用量（查看 Pinecone 控制台）；优化过滤（为频繁过滤字段建索引）；用免费层测试（1 个索引、10 万向量免费）；使用混合搜索以获得更好质量；设置合适的维度（与嵌入模型匹配）；定期备份重要数据。

七、性能 写入（Upsert）：约 50-100ms（每批）；查询 p50：约 50ms（取决于索引大小）；查询 p95：约 100ms（SLA 目标）；元数据过滤：额外约 10-20ms 开销。

八、定价（截至 2025 年） Serverless：每百万读单元 $0.096；每百万写单元 $0.06；每 GB 存储每月 $0.06。免费层：1 个 serverless 索引、10 万向量（1536 维），适合原型验证。

九、资源 网站：https://www.pinecone.io 文档：https://docs.pinecone.io 控制台：https://app.pinecone.io 定价：https://www.pinecone.io/pricing

十、智能体操作流程

  1. 检查环境：确认语料、嵌入模型与向量存储版本，以及索引所在位置。
  2. 明确输入：从数据或用户处确认格式、标识符与参数；对任何会改变结果的取值应询问而非猜测。
  3. 先运行小规模版本：索引一小部分子集，并在已知问答对上测试检索。
  4. 使用上述说明与参考执行完整任务。
  5. 验证结果：在标注集上测量 recall@k；答案仅引用检索到的段落。
  6. 报告：说明运行了什么（版本、命令、参数）、检查了什么、还有哪些不确定。

异常处理：若检索返回不相关片段，先检查分块、加入 BM25/混合搜索或重排序，再考虑更换生成器；若说明中的函数、标志或端点在当前安装版本中缺失，应查阅已安装版本自身的文档（help()、--help、官方文档）并告知用户，绝不臆造 API；若必需输入、标识符或参数不明确，应询问用户或在运行前明确说明假设。

十一、完整性规则 绝不捏造结果、参数、标识符、引用或统计数据；若无法运行或验证，应如实说明。答案必须来自检索到的文本；当语料不包含答案时应说明。此处版本相关细节可能已过时，应针对已安装版本的官方文档进行确认。在涉及花钱、占用共享 GPU 或云配额、触碰个人或患者数据、或不可撤销的操作前，应先征得同意。

十二、相关技能 faiss：Facebook 用于高效相似度搜索与稠密向量聚类的库。 qdrant-vector-search：用于 RAG 与语义搜索的高性能向量相似度搜索引擎。 chroma：面向 AI 应用的开源嵌入数据库。