Pinecone 是面向生产级 AI 应用的托管向量数据库。根据资料，它采用全托管 SaaS 模式，可自动扩展至数十亿向量，p95 延迟低于 100ms，提供 99.9% 可用性 SLA。
用途
资料列出适用场景：需要托管、无服务器的向量数据库；生产级 RAG 应用；需要自动扩展；对低延迟有要求（<100ms）；不希望自行管理基础设施；需要混合检索（稠密 + 稀疏向量）。资料同时给出替代方案：Chroma（自托管、开源）、FAISS（离线、纯相似度检索）、Weaviate（自托管、功能更多）。
主要能力
- 索引创建：支持 Serverless（推荐）与 Pod-based 两种规格。Serverless 可指定云厂商（aws、gcp、azure）与区域；Pod-based 可指定 environment 与 pod_type。创建时需指定维度（须与嵌入维度匹配）和度量方式（cosine、euclidean、dotproduct）。
- 向量写入：支持单条与批量 upsert，批量建议每批 100-200 条。向量可携带 metadata。
- 向量查询：支持 top_k、include_metadata、include_values 等参数，可结合元数据过滤与命名空间。
- 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。
- 命名空间：可按命名空间分区数据（如按用户/租户隔离），支持在指定命名空间内查询，并可通过 describe_index_stats 列出命名空间。
- 混合检索：支持同时写入稠密向量与稀疏向量（indices 为 token ID，values 为 TF-IDF 分数），查询时通过 alpha 参数调节权重（0=稀疏，1=稠密，0.5=混合）。
- 索引管理：列出索引、描述索引、查看统计（总向量数、命名空间）、删除索引。
- 向量删除：支持按 ID 删除、按过滤条件删除、删除命名空间内全部、删除整个索引。
使用方式
安装：pip install pinecone-client
基本流程：使用 API key 初始化 Pinecone 客户端；创建索引；连接索引；upsert 向量；执行 query 查询并读取 matches 中的 id、score、metadata。
集成：资料提供 LangChain 集成（langchain_pinecone 的 PineconeVectorStore，可 from_documents 创建、similarity_search 查询、支持 filter、可 as_retriever）与 LlamaIndex 集成（llama_index.vector_stores.pinecone 的 PineconeVectorStore，配合 StorageContext 与 VectorStoreIndex 使用）。
适用场景
生产级 RAG、需要自动扩展与低延迟的向量检索、需要按用户或租户隔离数据、需要结合元数据过滤与混合检索提升质量的应用。
限制与注意事项
资料中的最佳实践包括：优先使用 serverless；批量 upsert；添加元数据以支持过滤；使用命名空间隔离数据；监控用量；优化过滤字段；先用免费层测试；使用混合检索；维度与嵌入模型匹配；定期备份重要数据。
性能参考：upsert 约 50-100ms（每批）；查询 p50 约 50ms（取决于索引规模）；查询 p95 约 100ms（SLA 目标）；元数据过滤额外增加约 10-20ms。
定价（资料标注为 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；免费层包含 1 个 serverless 索引、10 万条向量（1536 维），适合原型验证。
资源：官网 https://www.pinecone.io ，文档 https://docs.pinecone.io ，控制台 https://app.pinecone.io ，定价 https://www.pinecone.io/pricing 。