Pinecone

概要

Pineconeは、セマンティック検索とRAG（Retrieval-Augmented Generation）アプリケーションを可能にする、フルマネージドのベクトルデータベースです。Pineconeツールを使用すると、セマンティック類似性を使用してベクトルインデックスから類似ベクトルをクエリできます。

主な機能

PINECONE_CREATE_INDEX
- 新しいサーバーレスベクトルインデックスの作成
- ベクトル次元と距離メトリックの設定
- クラウドプロバイダーとデプロイメントリージョンの選択
- オプションの削除保護
- すぐに使用可能にするwait-until-readyオプション
PINECONE_QUERY
- セマンティック類似性を使用した類似ベクトルの検索
- デュアルモード動作: ベクトルクエリまたは統合推論によるテキストクエリ
- Top-K結果の取得をサポート
- Pineconeフィルタ構文によるメタデータフィルタリング
- データの分割のための名前空間分離
- 類似度しきい値フィルタリング（minScore）
- メタデータとベクトル値のオプション含有
PINECONE_UPSERT
- Pineconeインデックスへのベクトル挿入または更新
- デュアルモード動作: ベクトルアップサートまたは統合推論によるドキュメントアップサート
- バッチ操作（1リクエストあたり最大100ベクトル/ドキュメント）
- 豊富なベクトルアノテーションのためのメタデータサポート
- データ整理のための名前空間分離

認証

このツールを使用するには、Pinecone APIキーが必要です。Pineconeコンソールから取得できます。注意: APIキーは機密情報として扱い、公開リポジトリにコミットしないでください。

例

例: インデックス作成とドキュメントアップサート（統合推論）

この例は、Pineconeの統合推論機能を使用した完全なワークフローを示しています - 外部埋め込みツールは不要です！

# ステップ1: サーバーレスインデックスを作成
- id: create_index
  name: create_index
  tool: PINECONE_CREATE_INDEX
  config:
    - name: apiKey
      value: "{{secrets.PINECONE_API_KEY}}"
  input:
    - name: indexName
      value: knowledge-base
    - name: dimension
      value: 1024
    - name: metric
      value: cosine
    - name: cloud
      value: aws
    - name: region
      value: us-east-1
    - name: waitUntilReady
      value: true

# ステップ2: 自動埋め込みでドキュメントをアップロード
- id: upload_docs
  name: upload_docs
  tool: PINECONE_UPSERT
  config:
    - name: apiKey
      value: "{{secrets.PINECONE_API_KEY}}"
  input:
    - name: indexName
      value: knowledge-base
    - name: documents
      value: |
        [
          {
            "id": "doc1",
            "text": "Pineconeは、AIアプリケーション向けに最適化されたベクトルデータベースです。",
            "metadata": {"category": "intro", "source": "docs"}
          },
          {
            "id": "doc2",
            "text": "統合推論は、テキストから自動的に埋め込みを生成します。",
            "metadata": {"category": "features", "source": "docs"}
          }
        ]

# ステップ3: テキストでクエリ（自動埋め込み）
- id: search
  name: search
  tool: PINECONE_QUERY
  config:
    - name: apiKey
      value: "{{secrets.PINECONE_API_KEY}}"
  input:
    - name: indexName
      value: knowledge-base
    - name: query
      value: "Pineconeは埋め込みをどのように処理しますか？"
    - name: topK
      value: 3
    - name: includeMetadata
      value: true

例: リランキングを使用した関連性の向上

リランキングは初期結果を再スコアリングして関連性を向上させます。複雑なクエリに特に有効です。

- id: search_with_rerank
  name: search_with_rerank
  tool: PINECONE_QUERY
  config:
    - name: apiKey
      value: "{{secrets.PINECONE_API_KEY}}"
  input:
    - name: indexName
      value: knowledge-base
    - name: query
      value: "Pineconeは埋め込みをどのように処理しますか？"
    - name: topK
      value: 10
    - name: includeMetadata
      value: true
    - name: rerankModel
      value: bge-reranker-v2-m3  # オプション: cohere-rerank-3.5, bge-reranker-v2-m3, pinecone-rerank-v0
    - name: rerankTopN
      value: 3
    - name: rerankRankFields
      value: '["text"]'
    - name: fields
      value: '["category", "text"]'

例: OpenAI埋め込みを使用した従来のセマンティック検索

- id: generate_embeddings
  name: generate_embeddings
  tool: OPENAI_CREATE_EMBEDDING
  config:
    - name: api_key
      value: "{{secrets.OPENAI_API_KEY}}"
  input:
    - name: input
      value: セマンティック検索とは何ですか？
    - name: model
      value: text-embedding-3-large

- id: search_pinecone
  name: search_pinecone
  tool: PINECONE_QUERY
  config:
    - name: apiKey
      value: "{{secrets.PINECONE_API_KEY}}"
  input:
    - name: indexName
      value: my-docs-index
    - name: vector
      value: "{{steps.generate_embeddings.result.data[0].embedding}}"
    - name: topK
      value: 5
    - name: minScore
      value: 0.7
    - name: includeMetadata
      value: true

- id: generate_answer
  name: generate_answer
  tool: OPENAI_INVOKE
  config:
    - name: version
      value: gpt-4
  input:
    - name: prompt
      value: |
        提供されたコンテキストに基づいて、以下の質問に答えてください。

        コンテキスト:
        {{steps.search_pinecone.result.matches[0].metadata.text}}
        {{steps.search_pinecone.result.matches[1].metadata.text}}

        質問: セマンティック検索とは何ですか？

例: メタデータフィルタリングを使用した検索

- id: filtered_search
  name: filtered_search
  tool: PINECONE_QUERY
  config:
    - name: apiKey
      value: "{{secrets.PINECONE_API_KEY}}"
  input:
    - name: indexName
      value: my-docs-index
    - name: vector
      value: "[0.1, 0.2, 0.3, ...]"
    - name: topK
      value: 10
    - name: filter
      value: '{"category": {"$eq": "technology"}, "year": {"$gte": 2020}}'
    - name: namespace
      value: production

パラメータ

PINECONE_CREATE_INDEX

パラメータ	型	必須	デフォルト	説明
`indexName`	string	はい	-	インデックス名（小文字英数字とハイフン、最大45文字）
`dimension`	number	はい	-	ベクトル次元（例: OpenAI ada-002の場合1536）
`metric`	string	いいえ	cosine	距離メトリック: cosine, euclidean, dotproduct
`cloud`	string	いいえ	aws	クラウドプロバイダー: aws, gcp, azure
`region`	string	はい	-	デプロイメントリージョン（例: us-east-1）
`deletionProtection`	string	いいえ	disabled	削除保護を有効化: enabled または disabled
`waitUntilReady`	boolean	いいえ	true	インデックスの準備完了まで待機

PINECONE_QUERY

パラメータ	型	必須	デフォルト	説明
`indexName`	string	はい	-	クエリするPineconeインデックスの名前
`vector`	number[]	いいえ*	-	数値の配列としてのクエリベクトル
`query`	string	いいえ*	-	統合推論用のテキストクエリ（自動埋め込み）
`topK`	number	いいえ	10	返す結果の数（1-100）
`namespace`	string	いいえ	-	インデックス内でクエリする名前空間
`filter`	object	いいえ	-	Pineconeフィルタ構文を使用したメタデータフィルタ
`minScore`	number	いいえ	-	最小類似度スコアしきい値（0-1）
`includeMetadata`	boolean	いいえ	true	結果にメタデータを含める
`includeValues`	boolean	いいえ	false	結果にベクトル値を含める

*vectorまたはqueryのいずれかを指定する必要がありますが、両方は指定できません。

PINECONE_UPSERT

パラメータ	型	必須	デフォルト	説明
`indexName`	string	はい	-	Pineconeインデックスの名前
`vectors`	array	いいえ*	-	ベクトルオブジェクトの配列（id, values, metadata）
`documents`	array	いいえ*	-	統合推論用のドキュメントオブジェクトの配列（id, text, metadata）
`namespace`	string	いいえ	-	データ整理のための名前空間

*vectorsまたはdocumentsのいずれかを指定する必要がありますが、両方は指定できません。

出力

ツールは以下の構造のオブジェクトを返します：

{
  "matches": [
    {
      "id": "vec1",
      "score": 0.95,
      "metadata": {
        "title": "ドキュメントタイトル",
        "text": "ドキュメント内容...",
        "category": "technology"
      }
    }
  ],
  "namespace": "production",
  "usage": {
    "readUnits": 5
  }
}

ユースケース

RAG（Retrieval-Augmented Generation）

PineconeとOpenAIを組み合わせてRAGアプリケーションを構築：

ユーザークエリから埋め込みを生成
Pineconeで関連ドキュメントを検索
取得したコンテキストをLLMプロンプトで使用

セマンティック検索

キーワードではなく意味でドキュメントを検索：

類似記事の検索
関連コンテンツの推奨
関連情報の発見

質問応答

コンテキスト取得を使用したQ&Aシステムの構築：

技術ドキュメント検索
カスタマーサポートナレッジベース
研究論文の発見

Docs

概要

主な機能

認証

例

例: インデックス作成とドキュメントアップサート（統合推論）

例: リランキングを使用した関連性の向上

例: OpenAI埋め込みを使用した従来のセマンティック検索

例: メタデータフィルタリングを使用した検索

パラメータ

PINECONE_CREATE_INDEX

PINECONE_QUERY

PINECONE_UPSERT

出力

ユースケース

RAG（Retrieval-Augmented Generation）

セマンティック検索

質問応答

リソース

​概要

​主な機能

​認証

​例

​例: インデックス作成とドキュメントアップサート（統合推論）

​例: リランキングを使用した関連性の向上

​例: OpenAI埋め込みを使用した従来のセマンティック検索

​例: メタデータフィルタリングを使用した検索

​パラメータ

​PINECONE_CREATE_INDEX

​PINECONE_QUERY

​PINECONE_UPSERT

​出力

​ユースケース

​RAG（Retrieval-Augmented Generation）

​セマンティック検索

​質問応答

​リソース

概要

主な機能

認証

例

例: インデックス作成とドキュメントアップサート（統合推論）

例: リランキングを使用した関連性の向上

例: OpenAI埋め込みを使用した従来のセマンティック検索

例: メタデータフィルタリングを使用した検索

パラメータ

PINECONE_CREATE_INDEX

PINECONE_QUERY

PINECONE_UPSERT

出力

ユースケース

RAG（Retrieval-Augmented Generation）

セマンティック検索

質問応答

リソース