跳到主要内容

Pinecone RAG 工作流

如果你已经确定底层向量库存储用 Pinecone，当前推荐的主线不是再手写一整套 Pinecone 专用流程，而是：

  1. IngestionPipeline 统一入库
  2. PineconeVectorStore 作为底层存储
  3. RagService / Retriever 负责查询
  4. 可选 ModelReranker 做精排

1. 推荐核心类​

  • VectorStore
  • PineconeVectorStore
  • IngestionPipeline
  • IngestionRequest
  • IngestionSource
  • RagService
  • RagQuery
  • DenseRetriever
  • ModelReranker

2. 配置 Pinecone​

PineconeConfig pineconeConfig = new PineconeConfig();
pineconeConfig.setHost("https://<index-host>");
pineconeConfig.setKey(System.getenv("PINECONE_API_KEY"));

configuration.setPineconeConfig(pineconeConfig);
VectorStore vectorStore = aiService.getPineconeVectorStore();

3. 入库流程​

3.1 推荐：直接使用 IngestionPipeline​

VectorStore vectorStore = aiService.getPineconeVectorStore();

IngestionPipeline ingestionPipeline = aiService.getPineconeIngestionPipeline(PlatformType.OPENAI);

IngestionResult ingestResult = ingestionPipeline.ingest(IngestionRequest.builder()
        .dataset("tenant_a_contract_v202603")
        .embeddingModel("text-embedding-3-small")
        .document(RagDocument.builder()
                .sourceName("合同模板")
                .sourcePath("/docs/contract-template.pdf")
                .tenant("tenant_a")
                .biz("legal")
                .version("2026.03")
                .build())
        .source(IngestionSource.file(new File("D:/data/contract-template.pdf")))
        .build());

System.out.println("upserted=" + ingestResult.getUpsertedCount());

4. 查询流程​

RagService ragService = aiService.getRagService(
        PlatformType.OPENAI,
        vectorStore
);

RagQuery ragQuery = RagQuery.builder()
        .query("违约金怎么算")
        .dataset("tenant_a_contract_v202603")
        .embeddingModel("text-embedding-3-small")
        .topK(5)
        .build();

RagResult ragResult = ragService.search(ragQuery);
String context = ragResult.getContext();
System.out.println(ragResult.getCitations());

5. 如需更高精度，再接 Rerank​

Reranker reranker = aiService.getModelReranker(
        PlatformType.JINA,
        "jina-reranker-v2-base-multilingual",
        5,
        "优先合同原文、章节标题和编号明确的条款"
);

RagService ragService = new DefaultRagService(
        new DenseRetriever(
                aiService.getEmbeddingService(PlatformType.OPENAI),
                vectorStore
        ),
        reranker,
        new DefaultRagContextAssembler()
);

6. 参数建议​

  • dataset：建议直接编码 tenant / biz / version
  • topK：先从 3~8 调优
  • chunkSize：先从 600~1200 试
  • chunkOverlap：先从 10%~25% 试

7. 生产实践​

  • metadata 至少保留 content/source/title/version/updatedAt
  • embedding 模型固定，不要混维度
  • 文档更新要有索引重建策略
  • 召回时优先加 metadata 过滤，不要只靠向量相似度
  • 如果只是做通用 RAG，不要把业务逻辑直接写死在已废弃的 PineconeService 上
  • 统一优先面向 VectorStore / IngestionPipeline / RagService

8. 常见问题​

8.1 召回为空​

  • dataset 错
  • 向量维度不一致
  • 数据没有成功 upsert

8.2 召回有内容但回答不准​

  • 分块策略不合理
  • topK 不合适
  • prompt 没限制“必须基于证据”

8.3 成本过高​

  • 批量 embedding 做缓存
  • 去重后再向量化
  • 定期清理低价值文档

8.4 什么时候还需要直接用已废弃的 PineconeService（Deprecated）​

PineconeService 目前在文档层已视为 Deprecated。只有在你明确需要 Pinecone 特有底层能力时，才建议继续直接使用：

  • namespace 级专用操作
  • 已有旧项目已经大量使用 PineconeQuery / PineconeDelete
  • 你在封装 Pinecone 专用管理能力，而不是统一 RAG 能力

9. 继续阅读​

  1. RAG 与知识库增强总览
  2. RAG 架构、分块与索引设计
  3. Ingestion Pipeline 文档入库流水线
  4. Embedding 接口