Pinecone 快速开始

Pinecone 是托管向量数据库，但到 2026 年 3 月，一个更准确的入门方式应该是：默认从 serverless 开始，而不是从旧的 pod-based 心智开始。

#1. 为什么选择 Pinecone？

• 零运维：无需管理服务器或 Docker，直接调用 API。
• 高性能：专为大规模相似性搜索优化的底层架构。
• 实时更新：数据写入后几乎立即可以被搜索到。
• Serverless：支持按量计费，适合各种规模的应用。

#2. 获取 API Key

1. 注册并登录 Pinecone 控制台↗。
2. 在 API Keys 页面创建一个 Key。
3. 记下你的云和地域信息（如 aws / us-east-1）。

#3. 安装 SDK

bash复制
pip install pinecone

#4. 基础使用流程 (Python)

python复制
from pinecone import Pinecone, ServerlessSpec

# 1. 初始化客户端
pc = Pinecone(api_key="YOUR_API_KEY")

# 2. 创建索引 (如果不存在)
index_name = "my-index"
if index_name not in pc.list_indexes().names():
    pc.create_index(
        name=index_name,
        dimension=1536, # 匹配 OpenAI text-embedding-3-small 维度
        metric="cosine",
        spec=ServerlessSpec(cloud="aws", region="us-east-1")
    )

# 3. 连接到索引
index = pc.Index(index_name)

# 4. 插入数据 (Upsert)
# 数据格式: (id, vector, metadata)
index.upsert(
    vectors=[
        ("id1", [0.1, 0.2, ...], {"topic": "AI"}),
        ("id2", [0.3, 0.4, ...], {"topic": "Bio"})
    ]
)

# 5. 查询 (Query)
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=2,
    include_metadata=True
)
print(results)

如果你不想自己先做 embedding，Pinecone 官方当前也支持 create_index_for_model() 这种 integrated embedding 路线。
适合想快速把 source text 直接写进检索层的场景。

#5. 核心限制

• 维度固定：索引一旦创建，维度不能更改。
• 命名空间 (Namespaces)：单个索引内可以通过命名空间进行数据隔离。

---

下一步：学习如何管理你的云端索引——Indexes 索引管理。