Skip to main content
Pinecone 是一个功能广泛的向量数据库。
本笔记本介绍如何使用一个底层使用 Pinecone 和混合搜索的检索器。 此检索器的逻辑取自此文档 要使用 Pinecone，您必须拥有 API 密钥和环境。 以下是安装说明。 
pip install -qU  pinecone pinecone-text pinecone-notebooks

# 连接到 Pinecone 并获取 API 密钥。
from pinecone_notebooks.colab import Authenticate

Authenticate()

import os

api_key = os.environ["PINECONE_API_KEY"]

from langchain_community.retrievers import (
    PineconeHybridSearchRetriever,
)
我们希望使用 OpenAIEmbeddings，因此必须获取 OpenAI API 密钥。 
import getpass

if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

​
设置 Pinecone

这部分只需执行一次。 
import os

from pinecone import Pinecone, ServerlessSpec

index_name = "langchain-pinecone-hybrid-search"

# 初始化 Pinecone 客户端
pc = Pinecone(api_key=api_key)

# 创建索引
if index_name not in pc.list_indexes().names():
    pc.create_index(
        name=index_name,
        dimension=1536,  # 稠密模型的维度
        metric="dotproduct",  # 稀疏值仅支持 dotproduct
        spec=ServerlessSpec(cloud="aws", region="us-east-1"),
    )

WhoAmIResponse(username='load', user_label='label', projectname='load-test')
现在索引已创建，我们可以使用它了。 
index = pc.Index(index_name)

​
获取嵌入和稀疏编码器

嵌入用于稠密向量，分词器用于稀疏向量 
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()
要将文本编码为稀疏值，您可以选择 SPLADE 或 BM25。对于领域外任务，我们推荐使用 BM25。 有关稀疏编码器的更多信息，您可以查看 pinecone-text 库的文档。 
from pinecone_text.sparse import BM25Encoder

# 或者 from pinecone_text.sparse import SpladeEncoder 如果您希望使用 SPLADE

# 使用默认的 tf-idf 值
bm25_encoder = BM25Encoder().default()
上面的代码使用了默认的 tf-idf 值。强烈建议将 tf-idf 值拟合到您自己的语料库。您可以按如下方式操作： 
corpus = ["foo", "bar", "world", "hello"]

# 在您的语料库上拟合 tf-idf 值
bm25_encoder.fit(corpus)

# 将值存储到 json 文件
bm25_encoder.dump("bm25_values.json")

# 加载到您的 BM25Encoder 对象
bm25_encoder = BM25Encoder().load("bm25_values.json")

​
加载检索器

我们现在可以构建检索器了！ 
retriever = PineconeHybridSearchRetriever(
    embeddings=embeddings, sparse_encoder=bm25_encoder, index=index
)

​
添加文本（如果需要）

我们可以选择性地向检索器添加文本（如果它们尚未在其中） 
retriever.add_texts(["foo", "bar", "world", "hello"])

100%|██████████| 1/1 [00:02<00:00,  2.27s/it]

​
使用检索器

我们现在可以使用检索器了！ 
result = retriever.invoke("foo")

result[0]

Document(page_content='foo', metadata={})
在 GitHub 上编辑此页面 或 提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等 以获取实时答案。