跳到主要内容

Pinecone Research

使用 Pinecone 实现智能体 RAG 与长期记忆。

技能元数据​

SourceOptional — install with hermes skills install official/research/pinecone-research
Pathoptional-skills/research\pinecone-research
Version1.0.0
Authorimmuhammadfurqan
LicenseMIT
Dependenciespinecone-client, langchain-pinecone
Platformslinux, macos, windows
TagsRAG, Pinecone, Memory, Research, Vector Database, Agent, Retrieval

参考：完整 SKILL.md​

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。当该技能处于激活状态时，这就是智能体看到的指令内容。

Pinecone Research — Agent RAG & 长期记忆

将 Pinecone 用作智能体对话的检索增强生成（RAG）后端：持久化 嵌入、从过往会话中检索相关上下文，并构建长期记忆。

何时使用此技能​

适用场景：

  • 使用 Pinecone 作为向量存储来构建智能体 RAG 流程
  • 需要跨智能体会话的持久长期记忆
  • 将检索与智能体工具使用相结合
  • 研究或原型验证语义搜索工作流

以下情况请改用 mlops/pinecone 技能：

  • 需要通用的 Pinecone 参考（索引管理、CRUD、混合搜索）
  • 处理不涉及智能体集成的生产基础设施

快速开始​

配置​

pip install pinecone-client langchain-pinecone langchain-openai

设置你的 API 密钥：

export PINECONE_API_KEY="your-api-key"

基础 RAG 流程​

from pinecone import Pinecone, ServerlessSpec
from langchain_pinecone import PineconeVectorStore
from langchain_openai import OpenAIEmbeddings

# Initialize Pinecone
pc = Pinecone(api_key=os.environ["PINECONE_API_KEY"])

# Create or connect to index
index_name = "agent-memory"
if index_name not in [i.name for i in pc.list_indexes()]:
    pc.create_index(
        name=index_name,
        dimension=1536,
        metric="cosine",
        spec=ServerlessSpec(cloud="aws", region="us-east-1"),
    )

# Build vector store
vectorstore = PineconeVectorStore.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    index_name=index_name,
)

# Retrieve relevant context
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
results = retriever.invoke("What did the agent discuss yesterday?")

基于命名空间的会话记忆​

# Store per-session memory
vectorstore = PineconeVectorStore(
    index=pc.Index(index_name),
    embedding=OpenAIEmbeddings(),
    namespace=f"session-{session_id}",
)

# Query across all sessions (no namespace filter)
all_memory = PineconeVectorStore(
    index=pc.Index(index_name),
    embedding=OpenAIEmbeddings(),
)
results = all_memory.similarity_search("relevant query", k=10)

最佳实践​

  1. 按会话或用户划分命名空间 — 为多租户智能体隔离数据
  2. 批量 upsert — 每批 100–200 个向量以提高效率
  3. 元数据过滤 — 为向量标记会话 ID、时间戳、主题
  4. 清理旧记忆 — 删除过期的命名空间以控制成本
  5. 使用 serverless — 自动扩缩容，按使用量付费

资源​