pinecone

# Pinecone - 托管向量数据库 专为生产级 AI 应用设计的向量数据库。 ## 何时使用 Pinecone **适用场景：** - 需要托管的无服务器向量数据库 - 生产级 RAG 应用 - 需要自动扩缩容 - 对低延迟有严格要求（<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 bash pip install pinecone-client ### 基本用法 python 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") # Upsert 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 python # 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" ) ) # 基于 Pod 模式（用于一致的性能） from pinecone import PodSpec pc.create_index( name="my-index", dimension=1536, metric="cosine", spec=PodSpec( environment="us-east1-gcp", pod_type="p1.x1" ) ) ### Upsert 向量 python # 单个 Upsert index.upsert(vectors=[ { "id": "doc1", "values": [0.1, 0.2, ...], # 1536 维度 "metadata": { "text": "文档内容", "category": "tutorial", "timestamp": "2025-01-01" } } ]) # 批量 Upsert（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 python #