如何用织梦建网站国产99做视频网站

如何用织梦建网站,国产99做视频网站,互联网上班是干嘛的,湖南网站备案需要多久大家好#xff0c;我是jobleap.cn的小九。 Pinecone 是一款托管式向量数据库#xff0c;专为高性能向量检索和相似性匹配设计#xff0c;广泛应用于语义搜索、推荐系统、AI 问答、计算机视觉等场景。本教程将从环境搭建到核心 API 实战#xff0c;全面覆盖 Pinecone 的常用…大家好我是jobleap.cn的小九。Pinecone 是一款托管式向量数据库专为高性能向量检索和相似性匹配设计广泛应用于语义搜索、推荐系统、AI 问答、计算机视觉等场景。本教程将从环境搭建到核心 API 实战全面覆盖 Pinecone 的常用用法通过可运行的代码示例串联所有关键 API帮助你快速掌握 Pinecone 的完整使用流程。一、环境准备1.1 安装 Pinecone 库Pinecone 官方提供了 Python 客户端库推荐使用最新的 3.x 版本2.x 已逐步弃用安装命令pipinstallpinecone-client1.2 获取 Pinecone API Key登录 Pinecone 官网 注册账号进入控制台创建 API Key注意保存仅显示一次记录云厂商如 AWS/GCP和区域如 us-east-1用于创建索引。二、核心 API 实战2.1 初始化 Pinecone 客户端3.x 版本简化了客户端初始化方式无需指定environment仅需 API KeyimportpineconefrompineconeimportPinecone,ServerlessSpec# 初始化 Pinecone 客户端3.x 推荐方式pcPinecone(api_keyYOUR_PINECONE_API_KEY)# 兼容 2.x 版本可选不推荐# pinecone.init(api_keyYOUR_PINECONE_API_KEY, environmentYOUR_ENV)2.2 索引管理核心载体索引是 Pinecone 存储向量的核心单元所有向量操作均基于索引完成常用操作包括创建、列出、描述、缩放、删除。2.2.1 创建索引创建索引时需指定向量维度、相似度度量方式、云厂商/区域Serverless 模式# 定义索引名称自定义index_namedemo-vector-index# 检查索引是否存在避免重复创建ifindex_namenotinpc.list_indexes().names():# 创建 Serverless 索引3.x 推荐无需管理服务器pc.create_index(nameindex_name,dimension1536,# 向量维度如 OpenAI Embedding 为 1536metriccosine,# 相似度度量cosine余弦/euclidean欧氏/dotproduct点积specServerlessSpec(cloudaws,# 云厂商aws/gcpregionus-east-1# 区域需与账号一致))# 等待索引创建完成约 10 秒importtimewhilenotpc.describe_index(index_name).status[ready]:time.sleep(1)2.2.2 索引基础操作# 列出所有索引all_indexespc.list_indexes()print(当前所有索引,all_indexes.names())# 描述索引详情维度、度量方式、状态等index_descpc.describe_index(index_name)print(索引详情,index_desc)# 缩放索引仅 Pod 类型索引支持Serverless 无需缩放# pc.scale_index(nameindex_name, replicas2, pods1)# 获取索引实例后续向量操作的核心对象indexpc.Index(index_name)2.3 向量操作增删改查向量是 Pinecone 的核心数据单元由id唯一标识、values向量值、metadata元数据可选组成常用操作包括插入/更新、获取、删除。2.3.1 插入/更新向量upsertupsert是 Pinecone 最核心的写入 API逻辑为存在则更新不存在则插入。# 1. 单条向量插入single_vec{id:vec-1,values:[0.1,0.2,0.3][0.0]*1533,# 补全到 1536 维度metadata:{# 元数据自定义键值对用于过滤category:book,price:29.99,title:Python编程入门}}index.upsert(vectors[single_vec],namespacens1)# namespace 用于隔离向量# 2. 批量插入推荐提升效率batch_vecs[]foriinrange(2,10):batch_vecs.append({id:fvec-{i},values:[0.1*i,0.2*i,0.3*i][0.0]*1533,metadata:{category:bookifi%20elsemovie,price:10.99i,title:fContent{i}}})# 批量写入支持指定命名空间index.upsert(vectorsbatch_vecs,namespacens1,batch_size200)# 分块大小默认 10002.3.2 获取向量fetch# 1. 获取单个向量single_fetchindex.fetch(ids[vec-1],namespacens1)print(单个向量,single_fetch)# 2. 批量获取向量batch_fetchindex.fetch(ids[vec-2,vec-3,vec-4],namespacens1)print(批量向量,batch_fetch)2.3.3 更新向量通过upsert实现更新仅修改元数据时向量值可传空列表# 全量更新向量值 元数据update_vec{id:vec-1,values:[0.4,0.5,0.6][0.0]*1533,metadata:{category:book,price:39.99,discount:True}}index.upsert(vectors[update_vec],namespacens1)# 仅更新元数据向量值不变meta_only_update{id:vec-1,values:[],# 空列表表示不修改向量值metadata:{sales:1000}# 新增/修改元数据字段}index.upsert(vectors[meta_only_update],namespacens1)2.3.4 删除向量# 1. 删除单个向量index.delete(ids[vec-1],namespacens1)# 2. 批量删除向量index.delete(ids[vec-2,vec-3],namespacens1)# 3. 删除命名空间下所有向量index.delete(delete_allTrue,namespacens1)2.4 向量查询核心功能Pinecone 的核心价值是相似性检索支持基础查询、元数据过滤、多向量查询、分页等能力。2.4.1 基础相似性查询# 构造查询向量模拟 1536 维向量query_vec[0.5,0.6,0.7][0.0]*1533# 基础查询返回最相似的 5 个向量basic_queryindex.query(vectorquery_vec,top_k5,# 返回数量namespacens1,include_metadataTrue,# 是否返回元数据include_valuesFalse# 是否返回向量值)print(基础查询结果,basic_query)2.4.2 元数据过滤查询高频用法支持丰富的过滤操作符$eq/$ne/$gt/$gte/$lt/$lte/$in/$nin以及$and/$or/$not组合条件# 示例 1筛选 categorybook 且 price20 的向量filtered_queryindex.query(vectorquery_vec,top_k3,namespacens1,include_metadataTrue,filter{category:{$eq:book},price:{$gt:20}})print(过滤查询结果,filtered_query)# 示例 2复杂条件categorymovie 或 price15complex_filterindex.query(vectorquery_vec,top_k3,namespacens1,include_metadataTrue,filter{$or:[{category:{$eq:movie}},{price:{$lt:15}}]})print(复杂过滤结果,complex_filter)2.4.3 多向量查询支持传入多个查询向量通过聚合均值/求和/最大值生成最终检索结果# 多查询向量如多个文本片段的嵌入向量multi_query_vecs[[0.5,0.6,0.7][0.0]*1533,[0.8,0.9,1.0][0.0]*1533]multi_vec_queryindex.query(vectormulti_query_vecs,top_k5,namespacens1,include_metadataTrue,multi_vector_query_config{aggregate:mean}# 聚合方式mean/sum/max)print(多向量查询结果,multi_vec_query)2.4.4 分页查询通过pagination_token实现分页适用于结果量较大的场景# 第一页first_pageindex.query(vectorquery_vec,top_k2,# 每页 2 条namespacens1,include_metadataTrue,pagination_tokenNone)print(第一页,first_page)# 第二页通过第一页的 token 继续查询ifpagination_tokeninfirst_page:second_pageindex.query(vectorquery_vec,top_k2,namespacens1,include_metadataTrue,pagination_tokenfirst_page[pagination_token])print(第二页,second_page)2.5 高级操作2.5.1 命名空间Namespace命名空间用于隔离向量如按用户/场景分库不同命名空间的向量相互独立# 向不同命名空间插入向量index.upsert(vectors[single_vec],namespacens2)# 查询指定命名空间的向量ns2_queryindex.query(vectorquery_vec,top_k1,namespacens2,include_metadataTrue)print(ns2 命名空间查询,ns2_query)2.5.2 索引统计信息查看索引的向量数量、命名空间分布等statsindex.describe_index_stats()print(索引统计信息,stats)2.5.3 批量操作最佳实践单次upsert建议控制在 1000 条以内避免超时可封装分块函数defbatch_upsert(index,vectors,batch_size200):批量分块插入向量foriinrange(0,len(vectors),batch_size):batchvectors[i:ibatch_size]index.upsert(vectorsbatch)print(f插入第{i//batch_size1}批共{len(batch)}条)# 示例插入 1000 条向量large_batch[{id:fvec-{i},values:[0.1*i,0.2*i,0.3*i][0.0]*1533,metadata:{category:article,views:i*10}}foriinrange(10,1010)]batch_upsert(index,large_batch)2.6 清理资源使用完成后删除索引避免不必要的计费pc.delete_index(index_name)print(f索引{index_name}已删除)三、综合实战文本语义检索结合 OpenAI Embedding 将文本转为向量实现语义检索需安装openai库pip install openaiimportopenai# 配置 OpenAI API Keyopenai.api_keyYOUR_OPENAI_API_KEY# 1. 初始化 Pinecone 并创建索引pcPinecone(api_keyYOUR_PINECONE_API_KEY)index_nametext-semantic-searchifindex_namenotinpc.list_indexes().names():pc.create_index(nameindex_name,dimension1536,metriccosine,specServerlessSpec(cloudaws,regionus-east-1))indexpc.Index(index_name)# 2. 文本转向量OpenAI Embeddingdefget_text_embedding(text,modeltext-embedding-3-small):获取文本的 Embedding 向量returnopenai.embeddings.create(input[text.replace(\n, )],modelmodel).data[0].embedding# 3. 准备文本数据并插入 Pineconetexts[{id:t1,content:Python是一种解释型、面向对象的高级编程语言,category:编程},{id:t2,content:Pinecone是一款专为向量检索优化的托管式向量数据库,category:数据库},{id:t3,content:OpenAI的Embedding API可以将文本转换为高维向量,category:AI},{id:t4,content:语义搜索通过向量相似度匹配实现精准的文本检索,category:搜索},{id:t5,content:向量数据库广泛应用于推荐系统、问答机器人等AI场景,category:AI}]# 批量转换并插入vectors[]foritemintexts:embeddingget_text_embedding(item[content])vectors.append({id:item[id],values:embedding,metadata:{content:item[content],category:item[category]}})index.upsert(vectorsvectors)# 4. 语义检索query_text向量数据库在AI中的应用query_embeddingget_text_embedding(query_text)# 检索 AI 分类的文本resultsindex.query(vectorquery_embedding,top_k3,include_metadataTrue,filter{category:{$eq:AI}})# 输出结果print(f\n查询文本{query_text})print(检索结果按相似度排序)formatchinresults[matches]:print(f相似度{match[score]:.4f}| 内容{match[metadata][content]})# 5. 清理资源pc.delete_index(index_name)四、常见问题与注意事项版本兼容3.x 与 2.x API 差异较大优先使用 3.x避免依赖废弃接口向量维度创建索引时的dimension必须与插入的向量维度一致否则报错元数据限制单个元数据字段值不超过 10KB单个向量元数据总大小不超过 40KB计费说明Serverless 索引按查询次数和存储量计费Pod 索引按 Pod 数/副本数计费用完及时删索引性能优化批量操作提升写入效率top_k不宜过大建议 ≤ 100选择合适的相似度度量方式余弦相似度适合文本检索。五、总结本教程完整串联了 Pinecone 的核心 API包括客户端初始化、索引管理、向量增删改查、相似性查询含元数据过滤、命名空间操作等并通过实战案例演示了语义检索的端到端流程。掌握这些用法后你可轻松将 Pinecone 集成到语义搜索、推荐系统、AI 问答等场景中结合业务需求优化向量维度、过滤条件和检索策略提升系统的检索性能和准确性。