Pinecone

Tạo Index Trên Pinecone Console

Đăng ký tài khoản và tạo một index mới với đúng số chiều vector phù hợp model embedding sẽ dùng.

Vào Pinecone Console > Create Index, đặt tên index, chọn dimension = 1536 (nếu dùng OpenAI text-embedding-3-small) và metric = cosine.

Ghi nhớ đúng dimension của model embedding — sai số chiều sẽ khiến việc ghi dữ liệu thất bại.

Lấy API Key Và Cấu Hình SDK

Lấy API key từ console và khởi tạo client Pinecone trong code ứng dụng.

Cài `pip install pinecone-client`, sau đó khởi tạo `pc = Pinecone(api_key="YOUR_KEY")` và `index = pc.Index("ten-index")`.

Lưu API key trong biến môi trường, không hardcode trực tiếp vào code.

Tạo Embedding Cho Dữ Liệu Sản Phẩm

Chuyển mô tả từng sản phẩm thành vector bằng model embedding trước khi ghi vào Pinecone.

Với mỗi sản phẩm, gọi API embedding (ví dụ OpenAI) để lấy vector, kèm metadata như tên, giá, danh mục.

Gộp tên sản phẩm và mô tả chi tiết vào cùng một đoạn text trước khi tạo embedding để tăng độ chính xác.

Ghi Dữ Liệu Vào Index Theo Batch

Upsert toàn bộ vector sản phẩm vào Pinecone theo từng lô để tránh timeout.

Gọi `index.upsert(vectors=[(id, vector, metadata), ...])` theo batch khoảng 100 sản phẩm mỗi lần.

Dùng ID sản phẩm thật (SKU) làm vector ID để dễ cập nhật lại khi sản phẩm thay đổi.

Truy Vấn Semantic Search Và Kết Hợp Filter

Xây dựng API tìm kiếm nhận câu query của khách, chuyển thành vector và truy vấn Pinecone.

Gọi `index.query(vector=query_embedding, top_k=10, filter={"category": "noi-that"}, include_metadata=True)`.

Kết hợp filter theo metadata (danh mục, khoảng giá) cùng semantic search để kết quả vừa liên quan vừa đúng phạm vi khách cần.