PineconeStore

Pinecone 是一个向量数据库，它帮助为世界上一些最优秀的公司提供 AI 支持。

本指南简要概述了如何开始使用 Pinecone 向量存储。有关所有 PineconeStore 功能和配置的详细文档，请访问 API 参考。

概述

集成详细信息

类	包	PY 支持	最新包
PineconeStore	@langchain/pinecone	✅

设置

要使用 Pinecone 向量存储，您需要创建一个 Pinecone 帐户、初始化索引并安装 @langchain/pinecone 集成包。您还需要安装 官方 Pinecone SDK 以初始化一个客户端，将其传递给 PineconeStore 实例。

本指南还将使用 OpenAI 嵌入，这要求您安装 @langchain/openai 集成包。如果您愿意，也可以使用 其他支持的嵌入模型。

提示

查看 本部分了解有关安装集成包的一般说明。

npm

npm i @langchain/pinecone @pinecone-database/pinecone @langchain/openai

yarn

yarn add @langchain/pinecone @pinecone-database/pinecone @langchain/openai

pnpm

pnpm add @langchain/pinecone @pinecone-database/pinecone @langchain/openai

凭据

注册一个 Pinecone 帐户并创建一个索引。确保维度与您要使用的嵌入的维度匹配（OpenAI 的 text-embedding-3-small 的默认值为 1536）。完成此操作后，设置 PINECONE_INDEX、PINECONE_API_KEY 和（可选）PINECONE_ENVIRONMENT 环境变量

process.env.PINECONE_API_KEY = "your-pinecone-api-key";
process.env.PINECONE_INDEX = "your-pinecone-index";

// Optional
process.env.PINECONE_ENVIRONMENT = "your-pinecone-environment";

如果您在本指南中使用 OpenAI 嵌入，您还需要设置您的 OpenAI 密钥

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果您想获得对模型调用的自动跟踪，也可以通过取消下面的注释来设置您的 LangSmith API 密钥

// process.env.LANGCHAIN_TRACING_V2="true"
// process.env.LANGCHAIN_API_KEY="your-api-key"

实例化

import { PineconeStore } from "@langchain/pinecone";
import { OpenAIEmbeddings } from "@langchain/openai";

import { Pinecone as PineconeClient } from "@pinecone-database/pinecone";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small",
});

const pinecone = new PineconeClient();
// Will automatically read the PINECONE_API_KEY and PINECONE_ENVIRONMENT env vars
const pineconeIndex = pinecone.Index(process.env.PINECONE_INDEX!);

const vectorStore = await PineconeStore.fromExistingIndex(embeddings, {
  pineconeIndex,
  // Maximum number of batch requests to allow at once. Each batch is 1000 vectors.
  maxConcurrency: 5,
  // You can pass a namespace here too
  // namespace: "foo",
});

管理向量存储

将项目添加到向量存储

import type { Document } from "@langchain/core/documents";

const document1: Document = {
  pageContent: "The powerhouse of the cell is the mitochondria",
  metadata: { source: "https://example.com" },
};

const document2: Document = {
  pageContent: "Buildings are made out of brick",
  metadata: { source: "https://example.com" },
};

const document3: Document = {
  pageContent: "Mitochondria are made out of lipids",
  metadata: { source: "https://example.com" },
};

const document4: Document = {
  pageContent: "The 2024 Olympics are in Paris",
  metadata: { source: "https://example.com" },
};

const documents = [document1, document2, document3, document4];

await vectorStore.addDocuments(documents, { ids: ["1", "2", "3", "4"] });

[ '1', '2', '3', '4' ]

注意： 添加文档后，它们会稍微延迟才能被查询到。

从向量存储中删除项目

await vectorStore.delete({ ids: ["4"] });

查询向量存储

创建向量存储并添加相关文档后，您很可能希望在链或代理运行期间对其进行查询。

直接查询

可以按如下方式执行简单的相似性搜索

// Optional filter
const filter = { source: "https://example.com" };

const similaritySearchResults = await vectorStore.similaritySearch(
  "biology",
  2,
  filter
);

for (const doc of similaritySearchResults) {
  console.log(`* ${doc.pageContent} [${JSON.stringify(doc.metadata, null)}]`);
}

* The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* Mitochondria are made out of lipids [{"source":"https://example.com"}]

如果您想执行相似性搜索并接收相应的得分，可以运行

const similaritySearchWithScoreResults =
  await vectorStore.similaritySearchWithScore("biology", 2, filter);

for (const [doc, score] of similaritySearchWithScoreResults) {
  console.log(
    `* [SIM=${score.toFixed(3)}] ${doc.pageContent} [${JSON.stringify(
      doc.metadata
    )}]`
  );
}

* [SIM=0.165] The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* [SIM=0.148] Mitochondria are made out of lipids [{"source":"https://example.com"}]

通过转换为检索器进行查询

您还可以将向量存储转换为 检索器，以便在您的链中更轻松地使用。

const retriever = vectorStore.asRetriever({
  // Optional filter
  filter: filter,
  k: 2,
});

await retriever.invoke("biology");

[
  Document {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: 'Mitochondria are made out of lipids',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

用于检索增强生成

有关如何使用此向量存储进行检索增强生成 (RAG) 的指南，请参阅以下部分

• 教程：使用外部知识.
• 操作方法：使用 RAG 进行问答
• 检索概念文档

API 参考

有关所有 PineconeStore 功能和配置的详细文档，请访问 API 参考。

相关

• 向量存储 概念指南
• 向量存储 操作指南