Pinecone Index 索引管理

索引是 Pinecone 的最高层容器。与传统的表不同，Pinecone 的索引决定了底层硬件的分配方式。

#1. 索引类型：Serverless vs Pod-based

#Serverless (推荐)

• 按量计费：只需为存储和读取的数据量付费。
• 自动扩容：无需关心底层资源。
• 场景：绝大多数现代 AI 应用。

#Pod-based (传统模式)

• 固定成本：你购买特定的虚拟机资源。
• 可预测延迟：适合对性能有极高且稳定要求的场景。

这里有个很关键的时效性变化：
Pinecone 官方当前文档写得很清楚，2025-08-18 之后注册的 Standard 或 Enterprise 新客户已经不能再创建 pod-based indexes。默认主线就是 serverless。

#2. 核心配置参数

在创建索引时，以下三个参数至关重要：

• Dimension (维度)：向量的长度。必须与你的 Embedding 模型产出一致（如 OpenAI 是 1536）。
• Metric (度量标准)：
  • cosine (余弦相似度): 推荐用于 NLP。
  • euclidean (欧氏距离)。
  • dotproduct (点积)。
• Spec (规格)：定义部署的云平台和地域。

另外，当前官方还支持创建 integrated embedding index。
这种场景下，除了 dimension / metric，还要考虑：

• embed.model
• embed.field_map

这会直接影响你是“自己嵌入再写入”，还是“直接 upsert source text”。

#3. 索引的生命周期操作

python复制
# 列出所有索引
print(pc.list_indexes())

# 查看索引详细状态
desc = pc.describe_index("my-index")
print(desc.status['ready']) # 是否已就绪

# 配置索引
pc.configure_index("my-index", deletion_protection="enabled")

# 删除索引 (数据会立即清空且不可恢复)
pc.delete_index("my-index")

#4. 统计信息查看

你可以查看索引中有多少向量，以及各个命名空间的数据分布：

python复制
index = pc.Index("my-index")
stats = index.describe_index_stats()
print(stats.total_vector_count)

#5. 最佳实践

1. 同地域部署：尽可能让你的应用程序（如 Lambda 或 EC2）与 Pinecone 索引处于同一个云服务商地域（如均为 aws/us-east-1），以降低网络延迟。
2. 合理使用元数据：不要在元数据中存储超大的文本块，这会增加索引的大小和查询成本。只存储 ID、URL 或关键过滤字段。
3. 提前规划 metadata schema：Pinecone 当前已经支持预声明哪些字段要被索引用于过滤，这对生产系统很有帮助。

---

下一步：学习如何通过 Namespaces 命名空间 实现多租户或多类别管理。