title: “Pinecone — Managed vector DB for production RAG and search” sidebar_label: “Pinecone” description: “Managed vector DB for production RAG and search”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

Pinecone

专为生产级 RAG 应用及搜索功能设计的托管向量数据库。

技能元数据


来源	可选 — 通过 `hermes skills install official/mlops/pinecone` 安装
路径	`optional-skills/mlops\pinecone`
版本	`1.0.1`
开发者	Orchestra Research
许可协议	MIT
依赖项	`pinecone`
支持平台	linux、macos、windows
标签	`RAG`、`Pinecone`、`向量数据库`、`托管服务`、`无服务器`、`混合搜索`、`生产环境`、`自动扩展`、`低延迟`、`推荐系统`

参考：完整的 SKILL.md 文件

:::info 以下是当触发该技能时 Hermes 会加载的完整技能定义。技能处于激活状态时，智能体将依据此内容执行操作。: ::

Pinecone — 托管向量数据库

专为生产级人工智能应用打造的向量数据库。

何时使用 Pinecone

适用场景：

需要托管型、无服务器架构的向量数据库
开发生产级 RAG 应用
需要自动扩展功能
对低延迟有严格要求（<100毫秒）
不希望自行管理基础设施
需要实现混合搜索（密集向量与稀疏向量混合处理）

核心优势：

完全托管的 SaaS 模式
可支持数十亿级向量数据的自动扩展
p95 延迟低于 100毫秒
99.9% 的正常运行时间服务等级协议保障

可选替代方案：

Chroma：开源、可自行部署
FAISS：离线使用、纯相似度搜索工具
Weaviate：功能更丰富、同样支持自行部署

快速入门指南

安装

pip install pinecone

注意：旧的 pinecone-client 包已不再维护。请安装 pinecone（版本 5 及以上，当前为 9.x 版）。导入语句仍需保持为 from pinecone import Pinecone。

基本用法

from pinecone import Pinecone, ServerlessSpec

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

# Create index
pc.create_index(
    name="my-index",
    dimension=1536,  # Must match embedding dimension
    metric="cosine",  # or "euclidean", "dotproduct"
    spec=ServerlessSpec(cloud="aws", region="us-east-1")
)

# Connect to index
index = pc.Index("my-index")

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

# Query
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

# Serverless (recommended)
pc.create_index(
    name="my-index",
    dimension=1536,
    metric="cosine",
    spec=ServerlessSpec(
        cloud="aws",         # or "gcp", "azure"
        region="us-east-1"
    )
)

# Pod-based (for consistent performance)
from pinecone import PodSpec

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

向量插入/更新操作

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

# Batch upsert (recommended)
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

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

# With metadata filtering
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=5,
    filter={"category": {"$eq": "tutorial"}}
)

# Namespace query
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=5,
    namespace="production"
)

# Access results
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

# Exact match
filter = {"category": "tutorial"}

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

# Logical operators
filter = {
    "$and": [
        {"category": "tutorial"},
        {"difficulty": {"$lte": 3}}
    ]
}  # Also: $or

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

命名空间

# Partition data by namespace
index.upsert(
    vectors=[{"id": "vec1", "values": [...]}],
    namespace="user-123"
)

# Query specific namespace
results = index.query(
    vector=[...],
    namespace="user-123",
    top_k=5
)

# List namespaces
stats = index.describe_index_stats()
print(stats['namespaces'])

混合搜索（密集型 + 稀疏型）

# Upsert with sparse vectors
index.upsert(vectors=[
    {
        "id": "doc1",
        "values": [0.1, 0.2, ...],  # Dense vector
        "sparse_values": {
            "indices": [10, 45, 123],  # Token IDs
            "values": [0.5, 0.3, 0.8]   # TF-IDF scores
        },
        "metadata": {"text": "..."}
    }
])

# Hybrid query
# NOTE: index.query() does NOT accept an `alpha` kwarg. Pinecone stores a
# single sparse-dense vector, so weighting must be applied by pre-scaling the
# query vectors before sending them. Use the hybrid_score_norm helper below
# (alpha * dense + (1 - alpha) * sparse; alpha=1 → pure dense, 0 → pure sparse).

def hybrid_score_norm(dense, sparse, alpha: float):
    """Scale dense/sparse query vectors for weighted hybrid search."""
    if not 0 <= alpha <= 1:
        raise ValueError("alpha must be between 0 and 1")
    scaled_sparse = {
        "indices": sparse["indices"],
        "values": [v * (1 - alpha) for v in sparse["values"]],
    }
    return [v * alpha for v in dense], scaled_sparse

hdense, hsparse = hybrid_score_norm(
    dense=[0.1, 0.2, ...],
    sparse={"indices": [10, 45], "values": [0.5, 0.3]},
    alpha=0.5,  # 0=sparse, 1=dense, 0.5=balanced
)

results = index.query(
    vector=hdense,
    sparse_vector=hsparse,
    top_k=5,
)

与 LangChain 的集成

from langchain_pinecone import PineconeVectorStore
from langchain_openai import OpenAIEmbeddings

# Create vector store
vectorstore = PineconeVectorStore.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    index_name="my-index"
)

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

# With metadata filter
results = vectorstore.similarity_search(
    "query",
    k=5,
    filter={"category": "tutorial"}
)

# As retriever
retriever = vectorstore.as_retriever(search_kwargs={"k": 10})

与 LlamaIndex 的集成

from llama_index.vector_stores.pinecone import PineconeVectorStore

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

# Create vector store
vector_store = PineconeVectorStore(pinecone_index=pinecone_index)

# Use in LlamaIndex
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

# List indices
indexes = pc.list_indexes()

# Describe index
index_info = pc.describe_index("my-index")
print(index_info)

# Get index stats
stats = index.describe_index_stats()
print(f"Total vectors: {stats['total_vector_count']}")
print(f"Namespaces: {stats['namespaces']}")

# Delete index
pc.delete_index("my-index")

删除向量

# Delete by ID
index.delete(ids=["vec1", "vec2"])

# Delete by filter
index.delete(filter={"category": "old"})

# Delete all in namespace
index.delete(delete_all=True, namespace="test")

# Delete entire index
index.delete(delete_all=True)

最佳实践

使用无服务器架构——具备自动扩展能力，更具成本效益
批量插入/更新数据——效率更高（每批处理100-200条记录）
添加元数据——便于后续数据筛选
使用命名空间——按用户或租户隔离数据
监控使用情况——查看Pinecone控制面板
优化筛选条件——对频繁被筛选的字段建立索引
利用免费套餐进行测试——可创建1个索引，存储10万条向量
采用混合搜索方式——提升搜索质量
设置合适的维度参数——与嵌入模型相匹配
定期备份数据——导出重要数据

性能表现

操作类型	延迟时间	备注
插入/更新数据	约50-100毫秒	每批处理量对应此延迟
查询（p50分位值）	约50毫秒	取决于索引规模
查询（p95分位值）	约100毫秒	符合服务等级协议要求
元数据筛选	约+10-20毫秒	额外的处理开销

定价方案（2025年数据）

无服务器架构：

每百万次读取操作费用：0.096美元
每百万次写入操作费用：0.06美元
每GB存储空间每月费用：0.06美元

免费套餐：

提供1个无服务器索引
支持存储10万条向量（1536个维度）
非常适合原型开发

Hermes Agent Docs i18n

title: “Pinecone — Managed vector DB for production RAG and search” sidebar_label: “Pinecone” description: “Managed vector DB for production RAG and search”

Pinecone

技能元数据

参考：完整的 SKILL.md 文件

Pinecone — 托管向量数据库

何时使用 Pinecone

快速入门指南

安装

基本用法

核心操作

创建索引

向量插入/更新操作

查询向量

元数据过滤

命名空间

混合搜索（密集型 + 稀疏型）

与 LangChain 的集成

与 LlamaIndex 的集成

索引管理

删除向量

最佳实践

性能表现

定价方案（2025年数据）

相关资源

Keyboard shortcuts

Hermes Agent Docs i18n