Інтеграція Pinecone для векторного сховища AI у мобільному додатку

Інтеграція Pinecone для векторного сховища AI в мобільних додатках

Pinecone — керована векторна база даних з REST API та клієнтськими SDK. Для мобільних додатків це означає: не потрібно розгортати та обслуговувати власний векторний рушій. Оновлення індексу, репліка, масштабування — все на стороні Pinecone.

Коли Pinecone замість pgvector

pgvector — правильний вибір для початку. Pinecone потрібен коли:

• Корпус > 1 млн векторів і затримка пошуку критична (< 50 мс на 99-му перцентилі)
• Потрібні простори імен для ізоляції даних різних користувачів або тенантів
• Вимагається фільтрація метаданих з високою кардинальністю (тисячі унікальних значень)
• Команда не хоче займатися настройкою pgvector HNSW-індексів при зростанні даних

Для більшості B2C мобільних продуктів pgvector достатній. Pinecone — це вибір при серйозному навантаженні або багатотенантності.

Архітектура: Pinecone не викликається з мобільного напрямо

Не можна зберігати ключ API Pinecone в мобільному додатку. Правильна схема:

Мобільний клієнт
    ↓ REST API (з JWT-аутентифікацією)
Ваш бекенд
    ↓ Pinecone SDK (Node.js / Python / Java)
Pinecone Index

Мобільний клієнт відправляє текстовий запит. Бекенд створює вбудовування, виконує пошук у Pinecone, повертає відформатований результат.

Простори імен для мобільних додатків

Простір імен у Pinecone — це логічна ізоляція всередину одного індексу. Для мобільного додатка з користувацькими даними:

# Upsert даних користувача в його простір імен
index.upsert(
    vectors=[
        {
            "id": f"doc_{doc_id}",
            "values": embedding,
            "metadata": {
                "content": chunk_text,
                "source": filename,
                "created_at": timestamp
            }
        }
    ],
    namespace=f"user_{user_id}"  # ізоляція даних користувача
)

# Пошук тільки по даних конкретного користувача
results = index.query(
    vector=query_embedding,
    top_k=5,
    namespace=f"user_{user_id}",
    include_metadata=True
)

Це критично важливо для додатків з особистими документами — без просторів імен дані всіх користувачів перемішуються в одному індексі.

Фільтрація метаданих

Pinecone підтримує фільтрацію за метаданими під час пошуку. Синтаксис схожий на MongoDB:

results = index.query(
    vector=query_embedding,
    top_k=10,
    filter={
        "language": {"$eq": "ru"},
        "category": {"$in": ["support", "faq"]},
        "created_at": {"$gte": 1700000000}
    }
)

Важливе обмеження: Pinecone фільтрує ПІСЛЯ ANN-пошуку на pod-based індексах. На Serverless індексах — до (pre-filter). Якщо плануєте висока селективні фільтри, використовуйте Serverless.

Upsert з мобільного: завантаження документів користувача

Коли користувач завантажує документ через мобільний додаток:

1. Клієнт відправляє файл на бекенд
2. Бекенд ділить на чанки, створює вбудовування пакетом
3. Upsert у Pinecone (пакет до 100 векторів за раз — рекомендований ліміт)
4. Бекенд повідомляє клієнту про успіх

Пакетна обробка важлива: 1000 векторів одним upsert займає стільки ж часу, як 10 пакетів по 100, але один великий запит менш стійкий до мережевих помилок.

// Node.js бекенд — пакетний upsert
const BATCH_SIZE = 100;
for (let i = 0; i < vectors.length; i += BATCH_SIZE) {
    const batch = vectors.slice(i, i + BATCH_SIZE);
    await index.upsert({ vectors: batch, namespace: userId });
}

Вартість та оптимізація

Pinecone Serverless тарифікується за операціями читання/запису. Для мобільного додатка основні видатки — запити пошуку. Оптимізація:

• Кешуйте результати для повторюваних запитів (Redis з TTL 5–15 хвилин)
• Зменшуйте розмірність вбудовувань, якщо якість дозволяє (text-embedding-3-small з dimensions: 512 — удвічі дешевше зберігання)
• Використовуйте top_k = 5–10, не 50+

Етапи інтеграції

Створення проекту Pinecone та індексу → розробка бекенд-сервісу для upsert та query → реалізація стратегії просторів імен → мобільний API для завантаження документів та пошуку → тестування затримки та якості пошуку → моніторинг операцій через Pinecone Console.

Інтеграція Pinecone в існуючий бекенд з мобільним клієнтом — 2–3 тижні. З нуля, включаючи ingestion pipeline та мобільний UI — 4–6 тижнів.