PineconeStore 集成

使用 LangChain JavaScript 集成 PineconeStore。

Pinecone 是一个向量数据库，为全球一些顶尖公司的 AI 应用提供支持。

本指南提供了快速入门 Pinecone 向量存储 的概述。有关所有 PineconeStore 功能和配置的详细文档，请访问 API 参考。

概述

集成细节

类	包	PY 支持	下载量	版本
PineconeStore	@langchain/pinecone	✅

安装

要使用 Pinecone 向量存储，请创建一个 Pinecone 账户，初始化一个索引，并安装 @langchain/pinecone、@langchain/core 以及 官方 Pinecone SDK（@pinecone-database/pinecone v5.x），以初始化 PineconeStore 的客户端。

本指南以 OpenAI 嵌入 为示例。您可以使用 其他支持的嵌入模型。

npm

npm install @langchain/pinecone @langchain/openai @langchain/core @pinecone-database/pinecone@5

凭证

注册 Pinecone 账户并创建索引。确保维度与您要使用的嵌入匹配（OpenAI 的默认值是 text-embedding-3-small 的 1536）。完成后，设置 PINECONE_INDEX、PINECONE_API_KEY 和（可选的）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";

如果本指南使用 OpenAI 嵌入，请设置您的 OpenAI 密钥：

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果您希望自动跟踪模型调用，可以通过取消注释下方设置您的 LangSmith API 密钥：

// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_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

向向量存储添加项

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，需要稍等片刻才能进行查询。

从向量存储删除项

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

查询向量存储

一旦您的向量存储创建完成，并且相关文档已添加，您很可能希望在链或智能体运行期间对其进行查询。

直接查询

执行简单的相似度搜索可以按以下方式完成：

// 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"}]

如果您想执行相似度搜索并获取相应的分数，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"}]

将向量存储转换为检索器

您还可以将向量存储转换为 检索器，以便在您的链中更方便地使用。

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：

• 使用 LangChain 构建 RAG 应用.
• 智能体 RAG
• 检索文档

---

API 参考

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

---

官方原文：src/oss/javascript/integrations/vectorstores/pinecone.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。