[Pinecone入门指南：构建强大的向量数据库应用]

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/143034920

# Pinecone入门指南：构建强大的向量数据库应用

## 引言
Pinecone 是一个功能广泛的向量数据库，专用于高效的相似性搜索和大规模数据管理。在这篇文章中，我们将展示如何利用 Pinecone 构建一个向量存储库，并演示其基本用法。

## 主要内容

### 设置和初始化
首先，您需要安装相关的 Python 包并进行初始设置：

```shell
%pip install -qU langchain-pinecone pinecone-notebooks

如果您是从旧版本迁移，请确保删除 pinecone-clientv2 以避免版本冲突。

凭证配置

获取 Pinecone API 密钥以便访问服务：

import getpass
import os
from pinecone import Pinecone

if not os.getenv("PINECONE_API_KEY"):
    os.environ["PINECONE_API_KEY"] = getpass.getpass("Enter your Pinecone API key: ")

pinecone_api_key = os.environ.get("PINECONE_API_KEY")
pc = Pinecone(api_key=pinecone_api_key)

初始化向量存储

连接到 Pinecone 索引，如果不存在，则创建一个新的索引：

index_name = "langchain-test-index"
existing_indexes = [index_info["name"] for index_info in pc.list_indexes()]

if index_name not in existing_indexes:
    pc.create_index(name=index_name, dimension=3072, metric="cosine")
    while not pc.describe_index(index_name).status["ready"]:
        time.sleep(1)

index = pc.Index(index_name)

嵌入和存储

使用 OpenAI 或 HuggingFace 嵌入模型初始化向量存储：

from langchain_huggingface import HuggingFaceEmbeddings
from langchain_pinecone import PineconeVectorStore

embeddings = HuggingFaceEmbeddings(model="sentence-transformers/all-mpnet-base-v2")
vector_store = PineconeVectorStore(index=index, embedding=embeddings)

添加和管理文档

向向量存储中添加文档：

from langchain_core.documents import Document
from uuid import uuid4

documents = [
    Document(page_content="I had chocolate chip pancakes.", metadata={"source": "tweet"}),
    Document(page_content="The weather forecast is cloudy.", metadata={"source": "news"})
]

uuids = [str(uuid4()) for _ in range(len(documents))]
vector_store.add_documents(documents=documents, ids=uuids)

查询向量存储

执行相似性搜索：

results = vector_store.similarity_search("LangChain makes working with LLMs easy", k=2, filter={"source": "tweet"})
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")