AI Engineering Academy · Урок

Начало работы с Pinecone

Создайте индекс Pinecone, добавьте векторы с метаданными, выполните запросы сходства с фильтрами и управляйте пространствами имён для разделения разных наборов данных.

«Начало работы с Pinecone» — бесплатный урок AI Engineering Academy на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения AI Engineering Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс AI Engineering Academy содержит 4 уроков всего.

Части этого урока еще не переведены и отображаются на английском.

What Is Pinecone?

Pinecone is a fully managed vector database that handles infrastructure, scaling, and backups automatically. You interact with it through a Python SDK, sending vectors and metadata via API calls. Pinecone stores them on its servers and answers similarity queries at low latency, even at billions of vectors.

It offers a free tier that is sufficient for learning and small production workloads.

Installing the Pinecone SDK

Install the Pinecone client and initialize it with your API key. Store the API key in an environment variable — never hardcode secrets in source files. The Pinecone class is the main entry point for all operations.

# pip install pinecone-client
import os
from pinecone import Pinecone

pc = Pinecone(api_key=os.environ['PINECONE_API_KEY'])

# List existing indexes to verify connection
existing = pc.list_indexes().names()
print('Existing indexes:', existing)

Creating a Pinecone Index

A Pinecone index is the collection that stores your vectors. When creating an index you must specify the dimension (must match your embedding model) and the metric for similarity calculation. For OpenAI embeddings, use dimension=1536 and metric='cosine'.

Index creation is idempotent: the serverless spec creates the index on-demand without pre-allocating capacity.

from pinecone import Pinecone, ServerlessSpec
import os

pc = Pinecone(api_key=os.environ['PINECONE_API_KEY'])

index_name = 'my-rag-index'

if index_name not in pc.list_indexes().names():
    pc.create_index(
        name=index_name,
        dimension=1536,         # text-embedding-3-small dimension
        metric='cosine',
        spec=ServerlessSpec(
            cloud='aws',
            region='us-east-1'
        )
    )
    print(f'Created index: {index_name}')
else:
    print(f'Index already exists: {index_name}')

index = pc.Index(index_name)

Upserting Vectors with Metadata

Pinecone uses upsert (insert or update) operations. Each vector requires a unique id string, the values (the embedding as a list of floats), and optional metadata (a dict of filterable fields). If you upsert with an existing id, the old vector is replaced.

from openai import OpenAI

oai = OpenAI()

documents = [
    {'id': 'doc-001', 'text': 'What is RAG and how does it work?', 'category': 'faq'},
    {'id': 'doc-002', 'text': 'Pinecone is a managed vector database.', 'category': 'docs'},
    {'id': 'doc-003', 'text': 'OpenAI embeddings have 1536 dimensions.', 'category': 'docs'}
]

texts = [d['text'] for d in documents]
resp = oai.embeddings.create(model='text-embedding-3-small', input=texts)

vectors = [
    {
        'id': doc['id'],
        'values': resp.data[i].embedding,
        'metadata': {'text': doc['text'], 'category': doc['category']}
    }
    for i, doc in enumerate(documents)
]

index.upsert(vectors=vectors)
print(f'Upserted {len(vectors)} vectors')

Querying the Pinecone Index

To search, embed your query and call index.query() with the query vector and top_k for how many results to return. Set include_metadata=True to get the stored metadata back alongside the match ids and scores.

from openai import OpenAI

oai = OpenAI()

query = 'How many dimensions do OpenAI embeddings have?'
q_resp = oai.embeddings.create(model='text-embedding-3-small', input=query)
q_vec = q_resp.data[0].embedding

results = index.query(
    vector=q_vec,
    top_k=3,
    include_metadata=True
)

for match in results['matches']:
    score = match['score']
    text = match['metadata']['text']
    print(f'{score:.4f}: {text}')

Filtering by Metadata

Pinecone supports pre-filtering — narrowing the search to vectors that match a metadata condition before running ANN. Use the filter parameter with MongoDB-style operators: $eq, $in, $gt, $lt, $and, $or.

Always index the metadata fields you plan to filter on when creating the index to ensure filter performance.

# Filter to only 'docs' category results
results = index.query(
    vector=q_vec,
    top_k=5,
    filter={
        'category': {'$eq': 'docs'}
    },
    include_metadata=True
)

print(f'Filtered results: {len(results["matches"])}')
for m in results['matches']:
    print(f'  [{m["metadata"]["category"]}] {m["metadata"]["text"][:60]}')

Namespaces for Data Isolation

Pinecone namespaces partition a single index into isolated segments. Queries in one namespace never return results from another, making namespaces ideal for multi-tenant RAG systems where each customer should only search their own documents.

Both upsert and query accept an optional namespace string. The default namespace is an empty string.

# Upsert into a specific namespace
index.upsert(
    vectors=[{'id': 'doc-001', 'values': q_vec, 'metadata': {'text': 'Tenant A doc'}}],
    namespace='tenant-a'
)

# Query only tenant-a's documents
results = index.query(
    vector=q_vec,
    top_k=5,
    namespace='tenant-a',
    include_metadata=True
)
print(f'Tenant-A results: {len(results["matches"])}')

Batch Upserting for Large Corpora

When indexing thousands of documents, split your vectors into batches of up to 100 vectors per upsert call (Pinecone's recommended batch size). Larger batches may hit size limits due to the payload size constraint of ~4MB per request.

def batch_upsert(index, vectors, batch_size=100):
    total = len(vectors)
    for start in range(0, total, batch_size):
        batch = vectors[start:start + batch_size]
        index.upsert(vectors=batch)
        print(f'Upserted {min(start + batch_size, total)}/{total}')

# Usage:
# batch_upsert(index, all_vectors, batch_size=100)

Checking Index Statistics

Use index.describe_index_stats() to check how many vectors are stored in each namespace and the total vector count. This is useful for verifying that an upsert completed successfully and for monitoring index growth over time.

stats = index.describe_index_stats()

print(f'Total vectors: {stats["total_vector_count"]}')
print(f'Namespaces:')
for ns, info in stats.get('namespaces', {}).items():
    print(f'  {ns!r}: {info["vector_count"]} vectors')

Deleting and Updating Vectors

Use index.delete(ids=[...]) to remove specific vectors by id. To update a vector (for example when a document is revised), simply upsert with the same id — Pinecone will overwrite the existing entry.

To delete all vectors in a namespace (for example to re-index after a full refresh), use index.delete(delete_all=True, namespace='...').

# Delete specific vectors by id
index.delete(ids=['doc-001', 'doc-002'])

# Update a vector (upsert overwrites by id)
index.upsert(vectors=[{
    'id': 'doc-003',
    'values': q_vec,            # new embedding
    'metadata': {'text': 'Updated content.'}
}])

# Delete all vectors in a namespace
# index.delete(delete_all=True, namespace='tenant-a')

Pinecone Pricing and Free Tier

Pinecone offers a free serverless tier with 2GB of storage, enough for roughly 300,000 vectors at 1536 dimensions. Beyond that, serverless pricing charges per read unit and write unit consumed.

For production workloads, estimate your monthly cost by calculating: (queries per day × 30 × cost per query) + (total vectors × storage cost). Serverless is often more cost-effective than pod-based plans for variable-traffic workloads.

Quick Check

Test your understanding of AI Engineering concepts from this lesson.

Lesson Recap

In this lesson you learned: Pinecone indexes require matching dimension and metric to your embedding model, upsert operations use a unique id so updating a document simply re-upserts with the same id, and namespaces isolate vector collections within a single index for multi-tenant use cases. Next up we explore pgvector, which brings vector search directly into PostgreSQL.

Часто задаваемые вопросы

Урок «Начало работы с Pinecone» бесплатный?

Да — полный текст урока «Начало работы с Pinecone» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс AI Engineering Academy, подпишись на CoddyKit PRO. Курс AI Engineering Academy содержит 4 уроков всего.

Чему я научусь в уроке «Начало работы с Pinecone»?

Создайте индекс Pinecone, добавьте векторы с метаданными, выполните запросы сходства с фильтрами и управляйте пространствами имён для разделения разных наборов данных. Ты практикуешь AI Engineering Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать AI Engineering Academy?

Предыдущий опыт не требуется. AI Engineering Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.

Сколько времени занимает урок «Начало работы с Pinecone»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке AI Engineering Academy?

Да. Каждый урок AI Engineering Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

Зачем нужна векторная база данных
Начало работы с Pinecone
pgvector: эмбеддинги в PostgreSQL
Выбор и сравнительное тестирование векторных хранилищ

← Назад к AI Engineering Academy