{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}

Pinecone Research

用 Pinecone 为 agent 提供 RAG 与长期记忆。

Skill 元数据
来源可选 — 通过 hermes skills install official/research/pinecone-research 安装
路径optional-skills/research/pinecone-research
版本1.0.0
作者immuhammadfurqan
许可证MIT
依赖项pinecone-client, langchain-pinecone
平台linux, macos, windows
标签RAG, Pinecone, Memory, Research, Vector Database, Agent, Retrieval

参考：完整 SKILL.md

INFO

以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 skill 激活时 agent 所看到的指令内容。

Pinecone Research — Agent RAG 与长期记忆

将 Pinecone 用作 agent 对话的检索增强生成（RAG）后端：持久化 embedding，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 skill

适用于：

  • 以 Pinecone 作为向量存储构建 agent RAG 流水线
  • 需要跨 agent 会话的持久长期记忆
  • 将检索与 agent 工具调用结合
  • 研究或原型验证语义搜索工作流

以下情况请改用 mlops/pinecone skill：

  • 需要通用的 Pinecone 参考（索引管理、CRUD、混合搜索）
  • 在不涉及 agent 集成的生产基础设施上工作

快速开始

安装

pip install pinecone-client langchain-pinecone langchain-openai

设置你的 API 密钥：

export PINECONE_API_KEY="your-api-key"

基本 RAG 流水线

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

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

# 创建或连接到索引
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"),
    )

# 构建向量存储
vectorstore = PineconeVectorStore.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    index_name=index_name,
)

# 检索相关上下文
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

# 存储每个会话的记忆
vectorstore = PineconeVectorStore(
    index=pc.Index(index_name),
    embedding=OpenAIEmbeddings(),
    namespace=f"session-{session_id}",
)

# 跨所有会话查询（不做命名空间过滤）
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 agent 隔离数据
  2. 批量 upsert — 每批 100–200 个向量以提升效率
  3. 元数据过滤 — 给向量打上会话 ID、时间戳、主题标签
  4. 清理旧记忆 — 删除过期命名空间以控制成本
  5. 使用 serverless — 自动扩缩容，按用量计费

资源