Pinecone

面向生产级 AI 应用的托管向量数据库。全托管、自动扩缩容，支持混合搜索（稠密 + 稀疏）、元数据过滤和命名空间。低延迟（p95 <100ms）。适用于生产级 RAG、推荐系统或大规模语义搜索。最适合无服务器、托管基础设施。

技能元数据

来源	可选 — 使用 hermes skills install official/mlops/pinecone 安装
路径	optional-skills/mlops/pinecone
版本	1.0.0
作者	Orchestra Research
许可证	MIT
依赖	pinecone-client
标签	RAG、Pinecone、向量数据库、托管服务、无服务器、混合搜索、生产级、自动扩缩容、低延迟、推荐系统

参考：完整 SKILL.md

信息

以下是该技能被触发时 Hermes 加载的完整技能定义。当技能激活时，Agent 会将其视为指令。

Pinecone - 托管向量数据库

面向生产级 AI 应用的向量数据库。

何时使用 Pinecone

适用场景：

• 需要托管、无服务器的向量数据库
• 生产级 RAG 应用
• 需要自动扩缩容
• 低延迟至关重要（<100ms）
• 不想管理基础设施
• 需要混合搜索（稠密 + 稀疏向量）

指标：

• 全托管 SaaS
• 自动扩缩容至数十亿向量
• p95 延迟 <100ms
• 99.9% 正常运行时间 SLA

替代方案：

• Chroma：自托管、开源
• FAISS：离线、纯相似度搜索
• Weaviate：自托管、功能更丰富

快速开始

安装

pip install pinecone-client

基本用法

from pinecone import Pinecone, ServerlessSpec

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

# 创建索引
pc.create_index(
    name="my-index",
    dimension=1536,  # 必须与嵌入维度匹配
    metric="cosine",  # 或 "euclidean"、"dotproduct"
    spec=ServerlessSpec(cloud="aws", region="us-east-1")
)

# 连接到索引
index = pc.Index("my-index")

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

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

print(results["matches"])

核心操作

创建索引

# 无服务器模式（推荐）
pc.create_index(
    name="my-index",
    dimension=1536,
    metric="cosine",
    spec=ServerlessSpec(
        cloud="aws",         # 或 "gcp"、"azure"
        region="us-east-1"
    )
)

# Pod 模式（性能稳定）
from pinecone import PodSpec

pc.create_index(
    name="my-index",
    dimension=1536,
    metric="cosine",
    spec=PodSpec(
        environment="us-east1-gcp",
        pod_type="p1.x1"
    )
)

插入向量

# 单次插入
index.upsert(vectors=[
    {
        "id": "doc1",
        "values": [0.1, 0.2, ...],  # 1536 维
        "metadata": {
            "text": "Document content",
            "category": "tutorial",
            "timestamp": "2025-01-01"
        }
    }
])

# 批量插入（推荐）
vectors = [
    {"id": f"vec{i}", "values": embedding, "metadata": metadata}
    for i, (embedding, metadata) in enumerate(zip(embeddings, metadatas))
]

index.upsert(vectors=vectors, batch_size=100)

查询向量

# 基本查询
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=10,
    include_metadata=True,
    include_values=False
)

# 带元数据过滤
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=5,
    filter={"category": {"$eq": "tutorial"}}
)

# 命名空间查询
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=5,
    namespace="production"
)

# 访问结果
for match in results["matches"]:
    print(f"ID: {match['id']}")
    print(f"Score: {match['score']}")
    print(f"Metadata: {match['metadata']}")

元数据过滤

# 精确匹配
filter = {"category": "tutorial"}

# 比较
filter = {"price": {"$gte": 100}}  # $gt, $gte, $lt, $lte, $ne

# 逻辑运算符
filter = {
    "$and": [
        {"category": "tutorial"},
        {"difficulty": {"$lte": 3}}
    ]
}  # 也支持：$or

# In 运算符
filter = {"tags": {"$in": ["python", "ml"]}}

命名空间

# 按命名空间分区数据
index.upsert(
    vectors=[{"id": "vec1", "values": [...]}],
    namespace="user-123"
)

# 查询特定命名空间
results = index.query(
    vector=[...],
    namespace="user-123",
    top_k=5
)

# 列出命名空间
stats = index.describe_index_stats()
print(stats['namespaces'])

混合搜索（稠密 + 稀疏）

# 使用稀疏向量插入
index.upsert(vectors=[
    {
        "id": "doc1",
        "values": [0.1, 0.2, ...],  # 稠密向量
        "sparse_values": {
            "indices": [10, 45, 123],  # 词元 ID
            "values": [0.5, 0.3, 0.8]   # TF-IDF 分数
        },
        "metadata": {"text": "..."}
    }
])

# 混合查询
results = index.query(
    vector=[0.1, 0.2, ...],
    sparse_vector={
        "indices": [10, 45],
        "values": [0.5, 0.3]
    },
    top_k=5,
    alpha=0.5  # 0=稀疏, 1=稠密, 0.5=混合
)

LangChain 集成

from langchain_pinecone import PineconeVectorStore
from langchain_openai import OpenAIEmbeddings

# 创建向量存储
vectorstore = PineconeVectorStore.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    index_name="my-index"
)

# 查询
results = vectorstore.similarity_search("query", k=5)

# 带元数据过滤
results = vectorstore.similarity_search(
    "query",
    k=5,
    filter={"category": "tutorial"}
)

# 作为检索器
retriever = vectorstore.as_retriever(search_kwargs={"k": 10})

LlamaIndex 集成

from llama_index.vector_stores.pinecone import PineconeVectorStore

# 连接到 Pinecone
pc = Pinecone(api_key="your-key")
pinecone_index = pc.Index("my-index")

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

# 在 LlamaIndex 中使用
from llama_index.core import StorageContext, VectorStoreIndex

storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents, storage_context=storage_context)

索引管理

# 列出索引
indexes = pc.list_indexes()

# 描述索引
index_info = pc.describe_index("my-index")
print(index_info)

# 获取索引统计信息
stats = index.describe_index_stats()
print(f"总向量数: {stats['total_vector_count']}")
print(f"命名空间: {stats['namespaces']}")

# 删除索引
pc.delete_index("my-index")

删除向量

# 按 ID 删除
index.delete(ids=["vec1", "vec2"])

# 按过滤器删除
index.delete(filter={"category": "old"})

# 删除命名空间中的所有内容
index.delete(delete_all=True, namespace="test")

# 删除整个索引
index.delete(delete_all=True)

最佳实践

1. 使用无服务器模式 - 自动扩缩容，成本效益高
2. 批量写入 - 更高效（每批 100-200 条）
3. 添加元数据 - 支持过滤
4. 使用命名空间 - 按用户/租户隔离数据
5. 监控用量 - 查看 Pinecone 控制台
6. 优化过滤器 - 为频繁过滤的字段建立索引
7. 用免费套餐测试 - 1 个索引，10 万向量免费
8. 使用混合搜索 - 质量更好
9. 设置合适的维度 - 与嵌入模型匹配
10. 定期备份 - 导出重要数据

性能

操作	延迟	说明
写入	~50-100ms	每批
查询（p50）	~50ms	取决于索引大小
查询（p95）	~100ms	SLA 目标
元数据过滤	~+10-20ms	额外开销

定价（截至 2025 年）

无服务器模式：

• 每百万读取单位 $0.096
• 每百万写入单位 $0.06
• 每 GB 存储/月 $0.06

免费套餐：

• 1 个无服务器索引
• 10 万向量（1536 维）
• 非常适合原型开发

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