建立 2026-09-15 更新 2026-09-15

Pinecone

Pinecone 是託管型向量資料庫：你負責 embedding 與資料模型，它負責索引、擴展與低延遲查詢。適合不想自架叢集、想把 RAG 儘快接到正式環境的團隊。

本頁只講上手時一定會碰到的 20%。示範與影片見 Pinecone 影音。

什麼時候選它

• 要雲端託管、少碰基礎設施。
• 查詢要帶 metadata filter（例如語言、租戶、時間）。
• 與 LangChain、LlamaIndex 等框架整合。

相對地，本機離線試作通常會先用 Chroma 或 FAISS；已有 PostgreSQL 則看 pgvector。

核心物件

目前預設走 serverless index（指定 cloud／region 即可），不必自己管 replica。

最小流程

建立 index 時，dimension 必須等於嵌入模型輸出長度，metric 建議文字任務用 cosine。

from pinecone import Pinecone, ServerlessSpec

pc = Pinecone(api_key="YOUR_API_KEY")

pc.create_index(
    name="quickstart",
    dimension=1536,
    metric="cosine",
    spec=ServerlessSpec(cloud="aws", region="us-east-1"),
)
index = pc.Index("quickstart")

index.upsert(
    vectors=[
        {"id": "1", "values": [0.1, 0.2, 0.3], "metadata": {"topic": "refund"}},
    ],
    namespace="docs",
)

result = index.query(
    vector=[0.1, 0.2, 0.3],
    top_k=3,
    include_metadata=True,
    namespace="docs",
    filter={"topic": {"$eq": "refund"}},
)

實際專案會先呼叫嵌入 API，再把回傳的 list 當 values。官方新版也支援在 Pinecone 端做 embedding 與 rerank，細節以 Quickstart 為準。

實務注意

• Metadata 過濾發生在向量搜尋過程中，不是搜完再砍。filter 太嚴可能讓 top-k 變空，要在應用層處理。
• Namespace 不會改變維度，只是隔離資料；計費與 index 設定仍共用。
• SDK 版本更新快。若範例裡的 create_index 與你安裝的套件不符，以官方 Python SDK 文件為準。

官方學習資源