在前面的文章中，我们深入讲解了向量数据库以及它在大模型中发挥的作用，在本篇文章，我将使用前面提到的 Pinecone 进行一个实战，帮助大家了解向量数据库的实际使用！

注：本次使用Python语言进行说明

1、安装依赖项

pip install pinecone-client


pip install sentence-transformers

sentence-transformers 库的作用就是将我们的文本数据编码为向量嵌入，并存储在向量数据库中。

sentence-transformers 提供了各种预训练的架构，例如BERT、RoBERTa和DistilBERT，并专门针对句子嵌入进行了微调。

2、导入依赖

 pinecone  , 
 sentence_transformers

3、下载并实例化 DistilBERT 模型

我们在前面的文章也提到，DistilBERT 相比于BERT体积减少了40%，所以本次使用这个模型作为示例

model_name = 
model = SentenceTransformer(model_name)

4、获取密钥

要使用 Pinecone^[1] 服务并创建向量数据库，我们需要一个 Pinecone API 密钥。

注册后我们进入如下页面，并从仪表板的左侧面板中获取您的 API 密钥：

使用默认的API Keys，或者创建一个新的都行

5、获取密钥，建立连接

pinecone_key = 
pc = Pinecone(api_key=pinecone_key)

可以通过 list_indexes 方法测试连接是否成功

(pc.list_indexes())
{: []}

可能会遇到 huggingface 无法访问的问题

有很多种解决方式，这里我是设置了代理

6、创建索引

这里的索引有点像数据库，跟ES的index含义有点类似，创建索引使用的是 create_index 方法，代码如下

 pc.create_index(
     name=,
     dimension=,
     metric=,
     spec=PodSpec(environment=)
   )

参数说明：

• name：索引名称

• dimension：存储在这个索引中的向量的维数。你要插入的向量是多少维，这里就该设置多少，因为我们用的是Sentence Transform模型返回的嵌入维数，所以值为768

• metric：用于计算向量之间相似性的方法。euclidean 表示使用欧几里得距离

• spec：PodSpec 指定了创建索引的环境。在此示例中，索引是在名为gcp-starter的GCP（Google Cloud Platform）环境中创建的

刷新面板也能看到我们创建的索引

7、上传向量数据

现在我们已经创建了索引，我们可以生成向量嵌入数据，并上传到我们的索引。

为此，我们需要创建一些文本数据并使用SentenceTransformer模型对其进行编码，示例数据如下：

data = [
    {: ,  : },
    {: ,  : },
    {: ,  : },
    {: ,  : },
    {: ,  : },
    {: ,  : },
    {: ,  : },
    {: ,  : },
    {: ,  : },
    {: , : }
]

我们为这些句子创建向量嵌入，如下所示：

vector_data = []

 sentence in data:
    embedding = model.encode(sentence[])
    vector_info = {:sentence[], : embedding.tolist()}

    vector_data.(vector_info)

vector_data 的数据结构如下（values的长度就是它的维数）：

因为一个账户下可以创建多个索引，所以在把向量数据上传前，需要先指定一个索引

 index = pc.Index()

这里使用的上传方法是Upsert，它是一种结合了update和insert操作的数据库操作。如果文档尚不存在，它将向集合中插入新文档；如果存在，则更新现有文档（如果你用过MongoDB，你会对这个用法非常熟悉）

>>> index.(vectors=vector_data)
{: }

虽然返回结果已经告诉我们插入了10条数据，如果你想双重确认的话，还可以通过  describe_index_stats 再次确认

>>> index.()

{: ,
: ,
: {: {: }},
: }

返回参数说明：

• dimension：存储在索引中的向量的维数

• index_fullness：衡量索引有多满的指标，通常表示索引中槽位被占用的百分比。

• namespaces：索引中每个命名空间的统计信息。

• total_vector_count：所有命名空间的索引中向量的总数

8、相似性搜索

现在向量数据已经存储到索引中，这时可以利用相似性搜索来查看获得的结果。

首先，我们定义搜索文本并生成其嵌入向量：

 search_text = 
 search_embedding = model.encode(search_text).tolist()

接着执行下面的查询：

>>> index.(vector=search_embedding, top_k=)

{: [{: , : , : []},
             {: , : , : []},
             {: , : , : []}],
: ,
: {: }}

返回的是最接近的三个文本，因为我们用的是欧几里得算法，所以距离越短，表示两个向量越接近，可以看到相似性分数也是从小到大的。