PineconeStore 集成

使用 LangChain JavaScript 集成 PineconeStore。

Pinecone 是一个向量数据库，为全球顶尖公司的 AI 应用提供支持。

本指南提供了快速入门 Pinecone 向量存储 的概览。有关 PineconeStore 所有功能和配置的详细文档，请参阅 API 参考。

概述

集成详情

类	包	Python 支持	版本
PineconeStore	@langchain/pinecone	✅

设置

要使用 Pinecone 向量存储，你需要创建一个 Pinecone 账户、初始化一个索引，并安装 @langchain/pinecone 集成包。你还需要安装 官方 Pinecone SDK 来初始化一个客户端，以便传递给 PineconeStore 实例。

本指南还将使用 OpenAI 嵌入，这需要你安装 @langchain/openai 集成包。你也可以根据需要选择使用 其他支持的嵌入模型。

npm

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

凭证

注册一个 Pinecone 账户并创建一个索引。确保维度与你想要使用的嵌入模型匹配（OpenAI 的 text-embedding-3-small 默认维度为 1536）。完成这些后，设置 PINECONE_INDEX、PINECONE_API_KEY 和（可选）PINECONE_ENVIRONMENT 环境变量：

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

// 可选
process.env.PINECONE_ENVIRONMENT = "你的-pinecone-environment";

如果你在本指南中使用 OpenAI 嵌入，还需要设置你的 OpenAI 密钥：

process.env.OPENAI_API_KEY = "你的_API_KEY";

如果你想获取模型调用的自动追踪，也可以设置你的 LangSmith API 密钥，取消下面的注释即可：

// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_API_KEY="你的-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();
// 将自动读取 PINECONE_API_KEY 和 PINECONE_ENVIRONMENT 环境变量
const pineconeIndex = pinecone.Index(process.env.PINECONE_INDEX!);

const vectorStore = await PineconeStore.fromExistingIndex(
  embeddings,
  {
    pineconeIndex,
    // 允许同时进行的最大批处理请求数。每批包含 1000 个向量。
    maxConcurrency: 5,
    // 你也可以在这里传递命名空间
    // namespace: "foo",
  }
);

管理向量存储

向向量存储添加项目

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

const document1: Document = {
  pageContent: "细胞的动力源是线粒体",
  metadata: { source: "https://example.com" }
};

const document2: Document = {
  pageContent: "建筑物由砖块构成",
  metadata: { source: "https://example.com" }
};

const document3: Document = {
  pageContent: "线粒体由脂质构成",
  metadata: { source: "https://example.com" }
};

const document4: Document = {
  pageContent: "2024 年奥运会在巴黎举行",
  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，需要短暂延迟才能进行查询。

从向量存储删除项目

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

查询向量存储

一旦你的向量存储创建完成并添加了相关文档，你很可能会在运行链或代理时查询它。

直接查询

执行简单的相似性搜索可以按如下方式进行：

// 可选过滤器
const filter = { source: "https://example.com" };

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

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

* 细胞的动力源是线粒体 [{"source":"https://example.com"}]
* 线粒体由脂质构成 [{"source":"https://example.com"}]

如果你想执行相似性搜索并获取相应的分数，可以运行：

const similaritySearchWithScoreResults = await vectorStore.similaritySearchWithScore("生物学", 2, filter)

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

* [相似度=0.165] 细胞的动力源是线粒体 [{"source":"https://example.com"}]
* [相似度=0.148] 线粒体由脂质构成 [{"source":"https://example.com"}]

转换为检索器进行查询

你也可以将向量存储转换为 检索器，以便在链中更轻松地使用。

const retriever = vectorStore.asRetriever({
  // 可选过滤器
  filter: filter,
  k: 2,
});

await retriever.invoke("生物学");

[
  Document {
    pageContent: '细胞的动力源是线粒体',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: '线粒体由脂质构成',
    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。
• 代理式 RAG
• 检索文档

---

API 参考

有关 PineconeStore 所有功能和配置的详细文档，请参阅 API 参考。

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.