Интеграция Pinecone для векторного хранилища AI в мобильном приложении

Интеграция Pinecone для векторного хранилища AI в мобильном приложении

Pinecone — managed векторная БД с REST API и клиентскими SDK. Для мобильных приложений это означает: не нужно разворачивать и обслуживать собственный векторный движок. Уплейт индекса, репликация, масштабирование — всё на стороне Pinecone.

Когда Pinecone вместо pgvector

Pgvector — правильный выбор для начала. Pinecone нужен когда:

• Корпус > 1 млн векторов и latency поиска критична (< 50 мс на 99-м перцентиле)
• Нужны namespace-ы для изоляции данных разных пользователей или тенантов
• Требуется metadata filtering с высокой кардинальностью (тысячи уникальных значений)
• Команда не хочет заниматься tuning pgvector HNSW-индексов при росте данных

Для большинства B2C мобильных продуктов pgvector достаточен. Pinecone — это выбор при серьёзной нагрузке или мультитенантности.

Архитектура: Pinecone не вызывается с мобильного напрямую

Pinecone API-ключ нельзя хранить в мобильном приложении. Правильная схема:

Мобильный клиент
    ↓ REST API (с JWT-аутентификацией)
Ваш бэкенд
    ↓ Pinecone SDK (Node.js / Python / Java)
Pinecone Index

Мобильный клиент отправляет текстовый запрос. Бэкенд создаёт эмбеддинг, выполняет поиск в Pinecone, возвращает отформатированный результат.

Namespaces для мобильных приложений

Namespace в Pinecone — это логическая изоляция внутри одного индекса. Для мобильного приложения с пользовательскими данными:

# Upsert данных пользователя в его namespace
index.upsert(
    vectors=[
        {
            "id": f"doc_{doc_id}",
            "values": embedding,
            "metadata": {
                "content": chunk_text,
                "source": filename,
                "created_at": timestamp
            }
        }
    ],
    namespace=f"user_{user_id}"  # изоляция данных пользователя
)

# Поиск только по данным конкретного пользователя
results = index.query(
    vector=query_embedding,
    top_k=5,
    namespace=f"user_{user_id}",
    include_metadata=True
)

Это критически важно для приложений с личными документами — без namespace-ов данные всех пользователей перемешаются в одном индексе.

Metadata filtering

Pinecone поддерживает фильтрацию по метаданным при поиске. Синтаксис схож с MongoDB:

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

Важное ограничение: Pinecone фильтрует ПОСЛЕ ANN-поиска на pod-based индексах. На Serverless индексах — до (pre-filter). Если планируете высокоселективные фильтры, используйте Serverless.

Upsert с мобильного: загрузка документов пользователя

Когда пользователь загружает документ через мобильное приложение:

1. Клиент отправляет файл на бэкенд
2. Бэкенд разбивает на чанки, создаёт эмбеддинги батчем
3. Upsert в Pinecone (батч до 100 векторов за раз — рекомендованный лимит)
4. Бэкенд уведомляет клиента об успехе

Batching важен: 1000 векторов одним upsert занимает то же время, что и 10 батчей по 100, но один большой запрос нестабильнее при сетевых ошибках.

// Node.js бэкенд — батч 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 });
}

Стоимость и оптимизация

Pinecone Serverless тарифицируется по операциям чтения/записи. Для мобильного приложения основные расходы — запросы поиска. Оптимизация:

• Кешируйте результаты для повторяющихся запросов (Redis с TTL 5–15 минут)
• Уменьшайте размерность эмбеддингов если качество позволяет (text-embedding-3-small с dimensions: 512 — вдвое дешевле хранение)
• Используйте top_k = 5–10, не 50+

Этапы интеграции

Создание Pinecone проекта и индекса → разработка бэкенд-сервиса для upsert и query → реализация namespace-стратегии → мобильный API для загрузки документов и поиска → тестирование latency и качества поиска → мониторинг операций через Pinecone Console.

Интеграция Pinecone в существующий бэкенд с мобильным клиентом — 2–3 недели. С нуля, включая ingestion pipeline и мобильный UI — 4–6 недель.