Pinecone 简介

Pinecone 是一个全托管的向量数据库服务，专为生产环境设计。它提供高性能、高可用的向量搜索能力，是企业级 RAG 应用的首选。

#为什么使用 Pinecone？

#1. 全托管服务

无需运维的云原生方案：

• 自动扩缩容
• 高可用性保证
• 自动备份
• 全球分布

#2. 生产级性能

#3. 强大的过滤能力

支持复杂的 metadata 过滤：

python复制
results = index.query(
    vector=query_vector,
    filter={
        "category": {"$eq": "technology"},
        "year": {"$gte": 2023}
    },
    top_k=10
)

#核心概念

#Index (索引)

向量存储的基本单位：

python复制
import pinecone

# 初始化
pc = pinecone.Pinecone(api_key="your-api-key")

# 创建索引
pc.create_index(
    name="my-index",
    dimension=1536,
    metric="cosine",
    spec=pinecone.ServerlessSpec(
        cloud="aws",
        region="us-east-1"
    )
)

# 连接索引
index = pc.Index("my-index")

#Namespace (命名空间)

在同一索引中隔离数据：

python复制
# 写入特定命名空间
index.upsert(
    vectors=[...],
    namespace="user-123"
)

# 查询特定命名空间
results = index.query(
    vector=query_vector,
    namespace="user-123",
    top_k=10
)

#Vectors (向量)

python复制
# 向量格式
vectors = [
    {
        "id": "vec1",
        "values": [0.1, 0.2, ...],  # 1536 维向量
        "metadata": {
            "title": "文档标题",
            "category": "tech"
        }
    }
]

# 插入向量
index.upsert(vectors=vectors)

#快速开始

#安装

bash复制
pip install pinecone-client

#基础使用

python复制
from pinecone import Pinecone

# 1. 初始化客户端
pc = Pinecone(api_key="your-api-key")

# 2. 连接到索引
index = pc.Index("my-index")

# 3. 插入向量
index.upsert(
    vectors=[
        {"id": "doc1", "values": embedding1, "metadata": {"text": "文档1"}},
        {"id": "doc2", "values": embedding2, "metadata": {"text": "文档2"}}
    ]
)

# 4. 查询
results = index.query(
    vector=query_embedding,
    top_k=5,
    include_metadata=True
)

for match in results["matches"]:
    print(f"ID: {match['id']}, Score: {match['score']}")
    print(f"Text: {match['metadata']['text']}")

#高级功能

#Metadata 过滤

python复制
# 等值过滤
results = index.query(
    vector=query_vector,
    filter={"category": "tech"},
    top_k=10
)

# 范围过滤
results = index.query(
    vector=query_vector,
    filter={
        "price": {"$gte": 100, "$lte": 500}
    },
    top_k=10
)

# 复杂逻辑
results = index.query(
    vector=query_vector,
    filter={
        "$and": [
            {"category": {"$in": ["tech", "science"]}},
            {"year": {"$gte": 2023}}
        ]
    },
    top_k=10
)

#批量操作

python复制
# 批量插入（建议每批 100 条）
for i in range(0, len(vectors), 100):
    batch = vectors[i:i+100]
    index.upsert(vectors=batch)

# 批量删除
index.delete(ids=["id1", "id2", "id3"])

# 按 metadata 删除
index.delete(filter={"category": "outdated"})

#更新向量

python复制
# 更新向量值
index.update(
    id="doc1",
    values=new_embedding
)

# 更新 metadata
index.update(
    id="doc1",
    set_metadata={"status": "updated"}
)

#与 LangChain 集成

python复制
from langchain_pinecone import PineconeVectorStore
from langchain_openai import OpenAIEmbeddings

# 创建向量存储
vectorstore = PineconeVectorStore.from_texts(
    texts=["文档1", "文档2"],
    embedding=OpenAIEmbeddings(),
    index_name="my-index"
)

# 相似性搜索
docs = vectorstore.similarity_search("查询", k=3)

# 作为检索器
retriever = vectorstore.as_retriever()

#与 LlamaIndex 集成

python复制
from pinecone import Pinecone
from llama_index.vector_stores.pinecone import PineconeVectorStore
from llama_index.core import VectorStoreIndex

# 初始化 Pinecone
pc = Pinecone(api_key="your-api-key")
pinecone_index = pc.Index("my-index")

# 创建向量存储
vector_store = PineconeVectorStore(pinecone_index=pinecone_index)

# 创建索引
index = VectorStoreIndex.from_vector_store(vector_store)

# 查询
query_engine = index.as_query_engine()
response = query_engine.query("问题")

#索引类型

#Serverless

最新的托管方案：

• 按使用量付费
• 自动扩缩容
• 适合大多数场景

python复制
pc.create_index(
    name="serverless-index",
    dimension=1536,
    metric="cosine",
    spec=pinecone.ServerlessSpec(
        cloud="aws",
        region="us-east-1"
    )
)

#Pod-based

固定容量方案：

• 可预测的成本
• 更低延迟
• 适合稳定工作负载

python复制
pc.create_index(
    name="pod-index",
    dimension=1536,
    metric="cosine",
    spec=pinecone.PodSpec(
        environment="us-east-1-aws",
        pod_type="p1.x1"
    )
)

#Pinecone vs 其他向量数据库

选择建议：

• 生产环境 + 零运维 → Pinecone
• 原型开发 → ChromaDB
• 自托管 + 大规模 → Milvus

#定价

#最佳实践

#1. 优化向量维度

python复制
# 使用较小的 embedding 模型
# text-embedding-3-small: 1536 维
# text-embedding-3-large: 3072 维（可降维）

# 在创建 embedding 时指定维度
embedding = openai.embeddings.create(
    model="text-embedding-3-small",
    input=text,
    dimensions=512  # 降维以节省成本
)

#2. 合理使用命名空间

python复制
# 按用户隔离
namespace = f"user-{user_id}"

# 按数据类型隔离
namespace = "documents"  # 或 "images", "audio"

# 按时间隔离
namespace = f"data-{year}-{month}"

#3. 批量操作优化

python复制
# 使用异步批量插入
import asyncio

async def batch_upsert(index, vectors, batch_size=100):
    tasks = []
    for i in range(0, len(vectors), batch_size):
        batch = vectors[i:i+batch_size]
        tasks.append(index.upsert(vectors=batch))
    await asyncio.gather(*tasks)

#下一步

• 快速开始 - 详细入门教程
• 索引管理 - 深入了解索引
• 过滤查询 - 高级过滤技巧

---

提示：Pinecone 是生产环境的首选，但开发阶段可以先用 ChromaDB 原型验证，再迁移到 Pinecone。