Pinecone

Управляемая векторная база данных для production AI-приложений. Полностью управляемая, с автоматическим масштабированием, гибридным поиском (плотные + разреженные векторы), фильтрацией по метаданным и пространствами имён. Низкая задержка (<100 мс p95). Используется для production RAG, рекомендательных систем или семантического поиска в масштабе. Оптимальна для бессерверной, управляемой инфраструктуры.

Метаданные навыка


Источник	Опционально — установка с помощью `vibeos skills install official/mlops/pinecone`
Путь	`optional-skills/mlops/pinecone`
Версия	`1.0.0`
Автор	Orchestra Research
Лицензия	MIT
Зависимости	`pinecone-client`
Платформы	linux, macos, windows
Теги	`RAG`, `Pinecone`, `Vector Database`, `Managed Service`, `Serverless`, `Hybrid Search`, `Production`, `Auto-Scaling`, `Low Latency`, `Recommendations`

Справочник: полный SKILL.md

к сведению

Ниже приведено полное описание навыка, которое VibeOS загружает при его активации. Агент видит эти инструкции, когда навык активен.

Pinecone — Управляемая векторная база данных

Векторная база данных для production AI-приложений.

Когда использовать Pinecone

Используйте, когда:

Нужна управляемая бессерверная векторная база данных
Требуются production RAG-приложения
Необходимо автоматическое масштабирование
Критична низкая задержка (<100 мс)
Нет желания управлять инфраструктурой
Нужен гибридный поиск (плотные + разреженные векторы)

Метрики:

Полностью управляемый SaaS
Автоматическое масштабирование до миллиардов векторов
p95 задержка <100 мс
SLA 99,9% времени безотказной работы

Вместо этого используйте альтернативы:

Chroma: Самостоятельное размещение, с открытым исходным кодом
FAISS: Офлайн, чистый поиск по сходству
Weaviate: Самостоятельное размещение с большим количеством функций

Быстрый старт

Установка

pip install pinecone-client

Базовое использование

from pinecone import Pinecone, ServerlessSpec

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

# Создание индекса
pc.create_index(
    name="my-index",
    dimension=1536,  # Должно совпадать с размерностью эмбеддинга
    metric="cosine",  # или "euclidean", "dotproduct"
    spec=ServerlessSpec(cloud="aws", region="us-east-1")
)

# Подключение к индексу
index = pc.Index("my-index")

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

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

print(results["matches"])

Основные операции

Создание индекса

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

# На основе подов (для стабильной производительности)
from pinecone import PodSpec

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

Вставка векторов

# Одиночная вставка
index.upsert(vectors=[
    {
        "id": "doc1",
        "values": [0.1, 0.2, ...],  # 1536 размерностей
        "metadata": {
            "text": "Содержимое документа",
            "category": "tutorial",
            "timestamp": "2025-01-01"
        }
    }
])

# Пакетная вставка (рекомендуется)
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)

Запрос векторов

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

# С фильтрацией по метаданным
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=5,
    filter={"category": {"$eq": "tutorial"}}
)

# Запрос в пространстве имён
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=5,
    namespace="production"
)

# Доступ к результатам
for match in results["matches"]:
    print(f"ID: {match['id']}")
    print(f"Score: {match['score']}")
    print(f"Metadata: {match['metadata']}")

Фильтрация по метаданным

# Точное совпадение
filter = {"category": "tutorial"}

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

# Логические операторы
filter = {
    "$and": [
        {"category": "tutorial"},
        {"difficulty": {"$lte": 3}}
    ]
}  # Также: $or

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

Пространства имён

# Разделение данных по пространству имён
index.upsert(
    vectors=[{"id": "vec1", "values": [...]}],
    namespace="user-123"
)

# Запрос в конкретном пространстве имён
results = index.query(
    vector=[...],
    namespace="user-123",
    top_k=5
)

# Список пространств имён
stats = index.describe_index_stats()
print(stats['namespaces'])

Гибридный поиск (плотные + разреженные векторы)

# Вставка с разреженными векторами
index.upsert(vectors=[
    {
        "id": "doc1",
        "values": [0.1, 0.2, ...],  # Плотный вектор
        "sparse_values": {
            "indices": [10, 45, 123],  # ID токенов
            "values": [0.5, 0.3, 0.8]   # TF-IDF оценки
        },
        "metadata": {"text": "..."}
    }
])

# Гибридный запрос
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=разреженный, 1=плотный, 0.5=гибридный
)

Интеграция с LangChain

from langchain_pinecone import PineconeVectorStore
from langchain_openai import OpenAIEmbeddings

# Создание векторного хранилища
vectorstore = PineconeVectorStore.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    index_name="my-index"
)

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

# С фильтром по метаданным
results = vectorstore.similarity_search(
    "query",
    k=5,
    filter={"category": "tutorial"}
)

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

Интеграция с LlamaIndex

from llama_index.vector_stores.pinecone import PineconeVectorStore

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

# Создание векторного хранилища
vector_store = PineconeVectorStore(pinecone_index=pinecone_index)

# Использование в 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)

Управление индексами

# Список индексов
indexes = pc.list_indexes()

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

# Получение статистики индекса
stats = index.describe_index_stats()
print(f"Всего векторов: {stats['total_vector_count']}")
print(f"Пространства имён: {stats['namespaces']}")

# Удаление индекса
pc.delete_index("my-index")

Удаление векторов

# Удаление по ID
index.delete(ids=["vec1", "vec2"])

# Удаление по фильтру
index.delete(filter={"category": "old"})

# Удаление всего в пространстве имён
index.delete(delete_all=True, namespace="test")

# Удаление всего индекса
index.delete(delete_all=True)

Лучшие практики

Используйте бессерверный режим — Автоматическое масштабирование, экономичность
Пакетная вставка — Более эффективно (100-200 за пакет)
Добавляйте метаданные — Включают фильтрацию
Используйте пространства имён — Изолируйте данные по пользователю/арендатору
Мониторьте использование — Проверяйте панель управления Pinecone
Оптимизируйте фильтры — Индексируйте часто фильтруемые поля
Тестируйте на бесплатном тарифе — 1 индекс, 100K векторов бесплатно
Используйте гибридный поиск — Лучшее качество
Устанавливайте подходящую размерность — Соответствуйте модели эмбеддинга
Регулярное резервное копирование — Экспортируйте важные данные

Производительность

Операция	Задержка	Примечания
Вставка	~50-100 мс	За пакет
Запрос (p50)	~50 мс	Зависит от размера индекса
Запрос (p95)	~100 мс	Целевой SLA
Фильтр по метаданным	~+10-20 мс	Дополнительные накладные расходы

Ценообразование (по состоянию на 2025 год)

Бессерверный:

$0.096 за миллион единиц чтения
$0.06 за миллион единиц записи
$0.06 за ГБ хранилища в месяц

Бесплатный тариф:

1 бессерверный индекс
100K векторов (1536 размерностей)
Отлично подходит для прототипирования

Ресурсы

Веб-сайт: https://www.pinecone.io
Документация: https://docs.pinecone.io
Консоль: https://app.pinecone.io
Цены: https://www.pinecone.io/pricing

Метаданные навыка​

Справочник: полный SKILL.md​

Pinecone — Управляемая векторная база данных

Когда использовать Pinecone​

Быстрый старт​

Установка​

Базовое использование​

Основные операции​

Создание индекса​

Вставка векторов​

Запрос векторов​

Фильтрация по метаданным​

Пространства имён​

Гибридный поиск (плотные + разреженные векторы)​

Интеграция с LangChain​

Интеграция с LlamaIndex​

Управление индексами​

Удаление векторов​

Лучшие практики​

Производительность​

Ценообразование (по состоянию на 2025 год)​

Ресурсы​