mcpField
P
pinecone

pinecone

github.com/orchestra-researchデータ・データベース14.1k950 回インストール19 週間前に更新
リポジトリ

pinecone について

Pineconeは、本番AIアプリケーションを構築する開発者向けのマネージドベクトルデータベースです。ベクトルの登録・検索、メタデータフィルター、名前空間、密ベクトルと疎ベクトルのハイブリッド検索に対応します。

主な機能

  1. 01マネージドなベクトルインデックス管理
  2. 02ベクトル登録と類似検索
  3. 03メタデータフィルターと名前空間
  4. 04密・疎ベクトルのハイブリッド検索
  5. 05インデックス統計とベクトル削除

活用シーン

  1. 01本番RAGアプリケーションのベクトル保存
  2. 02ユーザーやテナントごとの検索データ分離
  3. 03メタデータによるベクトル検索の絞り込み
  4. 04キーワード検索と意味検索の併用

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/orchestra-research/ai-research-skills --skill pinecone

インストール後、Claude Code で/pineconeを入力して読み込まれたか確認します。

同梱ファイルreferences/deployment.md

詳細

Pinecone - マネージド・ベクトルデータベース

本番環境のAIアプリケーション向けのベクトルデータベースです。

Pineconeを使用するタイミング

使用する場合:

  • マネージド型のサーバーレスベクトルデータベースが必要な場合
  • 本番環境のRAGアプリケーション
  • 自動スケーリングが必要な場合
  • 低レイテンシが極めて重要な場合（<100ms）
  • インフラストラクチャを管理したくない場合
  • ハイブリッド検索（密ベクトル + 疎ベクトル）が必要な場合

指標:

  • 完全マネージド型のSaaS
  • 数十億ベクトルまで自動スケーリング
  • p95レイテンシ <100ms
  • 99.9%の稼働率SLA

代わりに以下を検討してください:

  • Chroma: セルフホスト可能、オープンソース
  • FAISS: オフライン、純粋な類似度検索
  • Weaviate: 機能が充実したセルフホスト可能なソリューション

クイックスタート

インストール
pip install pinecone-client
基本的な使い方
from pinecone import Pinecone, ServerlessSpec

# Initialize
pc = Pinecone(api_key="your-api-key")

# Create index
pc.create_index(
    name="my-index",
    dimension=1536,  # Must match embedding dimension
    metric="cosine",  # or "euclidean", "dotproduct"
    spec=ServerlessSpec(cloud="aws", region="us-east-1")
)

# Connect to index
index = pc.Index("my-index")

# Upsert vectors
index.upsert(vectors=[
    {"id": "vec1", "values": [0.1, 0.2, ...], "metadata": {"category": "A"}},
    {"id": "vec2", "values": [0.3, 0.4, ...], "metadata": {"category": "B"}}
])

# Query
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=5,
    include_metadata=True
)

print(results["matches"])

主な操作

インデックスの作成
# Serverless (recommended)
pc.create_index(
    name="my-index",
    dimension=1536,
    metric="cosine",
    spec=ServerlessSpec(
        cloud="aws",         # or "gcp", "azure"
        region="us-east-1"
    )
)

# Pod-based (for consistent performance)
from pinecone import PodSpec

pc.create_index(
    name="my-index",
    dimension=1536,
    metric="cosine",
    spec=PodSpec(
        environment="us-east1-gcp",
        pod_type="p1.x1"
    )
)
ベクトルのupsert
# Single upsert
index.upsert(vectors=[
    {
        "id": "doc1",
        "values": [0.1, 0.2, ...],  # 1536 dimensions
        "metadata": {
            "text": "Document content",
            "category": "tutorial",
            "timestamp": "2025-01-01"
        }
    }
])

# Batch upsert (recommended)
vectors = [
    {"id": f"vec{i}", "values": embedding, "metadata": metadata}
    for i, (embedding, metadata) in enumerate(zip(embeddings, metadatas))
]

index.upsert(vectors=vectors, batch_size=100)
ベクトルのクエリ
# Basic query
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=10,
    include_metadata=True,
    include_values=False
)

# With metadata filtering
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=5,
    filter={"category": {"$eq": "tutorial"}}
)

# Namespace query
results = index.query(
    vector=[0.1, 0.2, ...],
    top_k=5,
    namespace="production"
)

# Access results
for match in results["matches"]:
    print(f"ID: {match['id']}")
    print(f"Score: {match['score']}")
    print(f"Metadata: {match['metadata']}")
メタデータフィルタリング
# Exact match
filter = {"category": "tutorial"}

# Comparison
filter = {"price": {"$gte": 100}}  # $gt, $gte, $lt, $lte, $ne

# Logical operators
filter = {
    "$and": [
        {"category": "tutorial"},
        {"difficulty": {"$lte": 3}}
    ]
}  # Also: $or

# In operator
filter = {"tags": {"$in": ["python", "ml"]}}

ネームスペース

# Partition data by namespace
index.upsert(
    vectors=[{"id": "vec1", "values": [...]}],
    namespace="user-123"
)

# Query specific namespace
results = index.query(
    vector=[...],
    namespace="user-123",
    top_k=5
)

# List namespaces
stats = index.describe_index_stats()
print(stats['namespaces'])

ハイブリッド検索（密ベクトル + 疎ベクトル）

# Upsert with sparse vectors
index.upsert(vectors=[
    {
        "id": "doc1",
        "values": [0.1, 0.2, ...],  # Dense vector
        "sparse_values": {
            "indices": [10, 45, 123],  # Token IDs
            "values": [0.5, 0.3, 0.8]   # TF-IDF scores
        },
        "metadata": {"text": "..."}
    }
])

# Hybrid query
results = index.query(
    vector=[0.1, 0.2, ...],
    sparse_vector={
        "indices": [10, 45],
        "values": [0.5, 0.3]
    },
    top_k=5,
    alpha=0.5  # 0=sparse, 1=dense, 0.5=hybrid
)

LangChain 連携

from langchain_pinecone import PineconeVectorStore
from langchain_openai import OpenAIEmbeddings

# Create vector store
vectorstore = PineconeVectorStore.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    index_name="my-index"
)

# Query
results = vectorstore.similarity_search("query", k=5)

# With metadata filter
results = vectorstore.similarity_search(
    "query",
    k=5,
    filter={"category": "tutorial"}
)

# As retriever
retriever = vectorstore.as_retriever(search_kwargs={"k": 10})

LlamaIndex 連携

from llama_index.vector_stores.pinecone import PineconeVectorStore

# Connect to Pinecone
pc = Pinecone(api_key="your-key")
pinecone_index = pc.Index("my-index")

# Create vector store
vector_store = PineconeVectorStore(pinecone_index=pinecone_index)

# Use in LlamaIndex
from llama_index.core import StorageContext, VectorStoreIndex

storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents, storage_context=storage_context)

インデックス管理

# List indices
indexes = pc.list_indexes()

# Describe index
index_info = pc.describe_index("my-index")
print(index_info)

# Get index stats
stats = index.describe_index_stats()
print(f"Total vectors: {stats['total_vector_count']}")
print(f"Namespaces: {stats['namespaces']}")

# Delete index
pc.delete_index("my-index")

ベクトルの削除

# Delete by ID
index.delete(ids=["vec1", "vec2"])

# Delete by filter
index.delete(filter={"category": "old"})

# Delete all in namespace
index.delete(delete_all=True, namespace="test")

# Delete entire index
index.delete(delete_all=True)

ベストプラクティス

  1. サーバーレスを使用する - 自動スケーリングでコスト効率が高い
  2. upsertをバッチ処理する - より効率的（バッチあたり100〜200件）
  3. メタデータを追加する - フィルタリングを有効にする
  4. ネームスペースを使用する - ユーザーやテナントごとにデータを分離する
  5. 使用状況を監視する - Pineconeダッシュボードで確認する
  6. フィルターを最適化する - 頻繁にフィルタリングされるフィールドにインデックスを付ける
  7. 無料枠でテストする - インデックス1つ、10万ベクトルまで無料
  8. ハイブリッド検索を使用する - 品質が向上する
  9. 適切な次元数を設定する - 埋め込みモデルに合わせる
  10. 定期的にバックアップする - 重要なデータをエクスポートする

パフォーマンス

操作レイテンシ備考
Upsert~50-100msバッチごと
クエリ（p50）~50msインデックスのサイズに依存
クエリ（p95）~100msSLAの目標値
メタデータフィルター~+10-20ms追加のオーバーヘッド

料金（2025年時点）

サーバーレス:

  • 100万読み取りユニットあたり $0.096
  • 100万書き込みユニットあたり $0.06
  • ストレージ 1GB/月あたり $0.06

無料枠:

  • サーバーレスインデックス 1つ
  • 10万ベクトル（1536次元）
  • プロトタイピングに最適

リソース

コメント

Markdown 対応