[{"data":1,"prerenderedAt":703},["ShallowReactive",2],{"tool-pinecone-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":23,"sources":33,"cover":58,"og":59,"expertise":60,"locales":61,"lang":64,"title":65,"description":66,"coverAlt":67,"url":68,"pricing":69,"kind":25,"metaTitle":70,"takeaways":71,"faq":77,"toc":96,"blocks":121,"others":510},"pinecone","2026-07-09",11,"rag",[9,10,11,12,13],"Vector search","Embeddings","RAG","Namespaces","Hybrid search",[15,16,17,18,19,20,21,22],"pinecone vector database","pinecone pricing","pinecone read units","pinecone namespaces","pinecone vs qdrant","pinecone vs pgvector","pinecone documents api","serverless vector database cost",[24,27,30],{"name":25,"url":26},"Vector database","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVector_database",{"name":28,"url":29},"Nearest neighbor search","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FNearest_neighbor_search",{"name":31,"url":32},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",[34,37,40,43,46,49,52,55],{"title":35,"url":36},"Pinecone docs: Index data overview, indexes, namespaces and metadata","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Findexing-overview",{"title":38,"url":39},"Pinecone docs: Adopt the Documents API, API version 2026-07","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fadopt-the-documents-api",{"title":41,"url":42},"Pinecone docs: Create an index, schemas, regions and metrics","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fcreate-an-index",{"title":44,"url":45},"Pinecone docs: Understanding Pinecone cost, read units, write units and egress","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Forganizations\u002Fmanage-cost\u002Funderstanding-cost",{"title":47,"url":48},"Pinecone pricing: plans, limits and rates","https:\u002F\u002Fwww.pinecone.io\u002Fpricing\u002F",{"title":50,"url":51},"Pinecone docs: Semantic search","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Fsearch\u002Fsemantic-search",{"title":53,"url":54},"Pinecone docs: Local development with Pinecone Local","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Foperations\u002Flocal-development",{"title":56,"url":57},"Pinecone docs: 2026 release notes","https:\u002F\u002Fdocs.pinecone.io\u002Frelease-notes\u002F2026","\u002Fimages\u002Fblog\u002Fpinecone\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fpinecone\u002Fog.jpg","ai-engineer",[62,63,64],"en","de","hu","Pinecone: értékelés a menedzselt vektordatabázisról","Mitennyibe kerül valójában a Pinecone: a read unit a namespace méretével skálázódik, a sémát utólag nem lehet módosítani, és hol érdemes saját vektordatabázist futtatni.","Diagram: dokumentumok, sűrű és ritka vektorok bekerülnek egy namespace-ekre osztott serverless indexbe; egy query egy namespace-t nevez meg, és pontozott találatokat ad vissza.","https:\u002F\u002Fwww.pinecone.io","Free tier · from $2 per month","Pinecone vektordatabázis, értékelés · Balázs Csorba",[72,73,74,75,76],"A Pinecone a leolvasásokra számláz, nem a vektorokra. Egy query egy read unitba kerül a beolvasott namespace minden gigabájtra, 0,25 read unit a minimum, így a particionálás az a döntés, amely meghatározza a számlát.","A Standard csomagban a read unit négyszerese a write unitnak, 16 és 18 US dollár millióként szemben 4 és 4,50 dollárral. Egy olvasás-intenzív retrieval alkalmazást egyetlen tétel dominál.","Egymillió query egy 50 GB-os namespace-en Standarden körülbelül 800 US dollár havonta. Ugyanez az egymillió query 100 darab 0,5 GB-os namespace-en körülbelül 8 dollár. Az alkalmazáson semmi nem változik.","A dokumentum indexeken a séma migráció nem támogatott, és a 2026-07 API verzió előtt létrehozott index soha nem kerül át a Documents API-ra. Egy új mező új indexet és újra betöltést jelent.","Az Enterprise alatt nincs rendelkezésreállási SLA, az Enterprise pedig 500 US dollár havi minimumtól indul. A Starter csomag egyetlen régióra korlátozott.",[78,81,84,87,90,93],{"q":79,"a":80},"Mi a Pinecone, és mire használják?","A Pinecone teljesen menedzselt vektordatabázis. Embeddingeket tárol egy indexben, és hasonlóság alapján kérdezi le őket, ez a retrieval lépés egy RAG pipeline-ban, a szemantikus termékkeresésben és az agent memoryben. Menedzselt serverless infrastruktúrán fut AWS-en, Azure-on vagy GCP-n, tehát nincs karbantartandó klaszter.",{"q":82,"a":83},"Mennyibe kerül havonta a Pinecone?","A Starter csomag ingyenes, és havonta 2 GB tárhelyet, 2 millió write unitot, 1 millió read unitot és 1 GB egresset tartalmaz. A Builder havi 20 dollár fix. A Standard havi 50 dollár minimum, a tárhely 0,33 dollár GB-nként havonta, a write unit 4 és 4,50 dollár millióként, a read unit 16 és 18 dollár millióként, az egress a benne foglalt 100 GB után 0,10 dollár GB-nként. Az Enterprise havi 500 dollártól indul, 24 és 27 dollár millió read unittal.",{"q":85,"a":86},"Mi a különbség a Pinecone vector index és a document index között?","A vector index a klasszikus, dimension, metric és vector_type paraméterekkel jön létre, sűrű és ritka vektorokat tart a Vectors API-n keresztül, és egy queryben ad hibrid keresést. A document index sémával jön létre a Documents API-n keresztül, és egy indexben tud sűrű vektort, ritka vektort és teljes szövegű mezőket is tartani, de egy keresés egyetlen pontozási típus szerint rangsorol, tehát a hibrid keresés ott vagy egy szöveges szűrő a dense keresés előtt, vagy két keresés, amelyeket az alkalmazásban fúzionálni kell.",{"q":88,"a":89},"A Pinecone namespace-ek csak multitenant használatra valók?","Dokumentálva multitenant használatra és lekérdezési sebességre vannak, de az árazási modell költségszabályozóvá is teszi őket, és ez a legnehezebben felfedezhető a Pinecone-ban. Egy query egy read unitba kerül a beolvasott namespace minden gigabájtra, így a tenantonkénti namespace megakadályozza, hogy egy nagy ügyfél szabja meg az olvasási árat mindenkinek.",{"q":91,"a":92},"Módosíthatom később a Pinecone index sémáját?","Nem. A Pinecone dokumentációja egyértelműen kimondja, hogy a séma migráció még nem támogatott: létrehozott dokumentum indexhez nem lehet mezőt hozzáadni, eltávolítani vagy módosítani, és a dokumentált megoldás az index törlése és egy új létrehozása. Ugyanez vonatkozik a cloudra és a régióra is, amelyek szerver nélküli index létrehozása után nem változtathatók meg.",{"q":94,"a":95},"Van ingyenes csomag, és lehet-e lokálisan fejleszteni?","A Starter csomag ingyenes, merev keretekkel és egy projekttel. Lokális fejlesztéshez létezik a Pinecone Local, egy memóriában futó Docker emulátor, de a jelenlegi helyett a 2025-01 API verziót futtatja, egy indexet 100.000 rekordra korlátoz, figyelmen kívül hagyja az API kulcsokat, és nem támogat namespace-kezelést, mentést vagy Pinecone Inference-t, így inkább CI kényelem, mint hű lokális környezet.",[97,100,103,106,109,112,115,118],{"id":98,"title":99},"what-it-is","Mi ez",{"id":101,"title":102},"how-it-works","Hogyan működik",{"id":104,"title":105},"where-it-breaks","Hol törik el",{"id":107,"title":108},"getting-started","Első lépések",{"id":110,"title":111},"pricing","Árazás",{"id":113,"title":114},"alternatives","Alternatívák",{"id":116,"title":117},"verdict","Ítélet",{"id":119,"title":120},"sources","Források",[122,126,129,132,135,221,222,229,238,250,251,254,276,279,288,289,292,294,313,321,322,325,389,392,395,396,399,454,457,458,461,474,482,483],{"type":123,"content":124},"paragraph",[125],"A PINECONE az a menedzselt vektordatabázis, amelyen a legtöbb retrieval prototípus indul, és jó okkal: egy index egy POST-ra van, nincs mit futtatni, és a számlát méritek, nem lemérnek. Ez a kombináció egy retrieval funkció első évében valóban nehezebben verhető. Ugyanez az oka annak is, hogy Pinecone gyakran már nem a megfelelő alapértelmezés, ha egy terméknek valódi forgalma van, mert az árazási modell egy olyan döntést jutalmaz, amelyet a csapatok ritkán hoznak meg tudatosan — hogy hogyan particionált az adat.",{"type":123,"content":127},[128],"Kétféle dologgal verseng. Az egyik oldalon azok az általános adatbázisok, amelyek vektoroszlopot kaptak: pgvector a PostgreSQL-ben, MongoDB Atlas, Redis. A másik oldalon a célzott motorok, Qdrant és Weaviate, saját üzemeltetéssel vagy a felhőben. Az ellenük szóló érv üzemeltetési: nincs klaszter, nincs újraindexelés, nincs ANN hangolás, a kapacitás akkor jelenik meg, amikor kell. A visszaérték a vendor lock-in, a querynélküli... a skálánál jelentkező költség, és egy adatmodell, amely szándékosan nem SQL.",{"type":130,"level":131,"id":98,"text":99},"heading",2,{"type":123,"content":133},[134],"Az index minden alapegysége. A rekordok egy indexbe kerülnek, a queryk egy indexre céloznak, és a belsejükben az adatok namespace-ekre vannak osztva, ahol minden upsert, query, fetch és list pontosan egy namespace-t céloz. A 2026-07 API verzió óta kétféle index létezik, és különbségük megértése a legfontosabb, mielőtt kódot ír valaki a Pinecone ellen.",{"type":136,"ordered":137,"items":138},"list",false,[139,154,167,169,175,215],[140,141,145,146,149,150,153],"A vector index a klasszikus: sűrű és opcionálisan ritka vektorok, ",{"tag":142,"children":143},"code",[144],"dimension",", ",{"tag":142,"children":147},[148],"metric"," és ",{"tag":142,"children":151},[152],"vector_type"," paraméterekkel jön létre, a Vectors API-n olvassuk és írjuk.",[155,156,145,159,162,163,166],"A document index az új: egy séma, amely ",{"tag":142,"children":157},[158],"dense_vector",{"tag":142,"children":160},[161],"sparse_vector"," és teljes szövegű ",{"tag":142,"children":164},[165],"string"," mezőket deklarál, a Documents API-n olvassuk és írjuk.",[168],"A namespace-ek az első upsertnél jönnek létre. Tenantonként egy a dokumentált multitenant minta, és a namespace szerinti particionálás a lekérdezési költséget is csökkenti.",[170,171,174],"A metaadatok lapos JSON objektumok: nincs beágyazott objektum, nincs null érték, a kulcsok nem kezdődhetnek ",{"tag":142,"children":172},[173],"$","-szel, az egészek 64 bites lebegőpontként tárolódnak, és 40 KB a rekordonkénti plafon. Minden indexelésre kerül, hacsak nem másképp konfiguráljuk.",[176,177,145,180,145,183,145,186,145,189,145,192,145,195,145,198,145,201,204,205,145,208,149,211,214],"A szűrőnyelv egy dokumentált részhalmaz: ",{"tag":142,"children":178},[179],"$eq",{"tag":142,"children":181},[182],"$ne",{"tag":142,"children":184},[185],"$gt",{"tag":142,"children":187},[188],"$gte",{"tag":142,"children":190},[191],"$lt",{"tag":142,"children":193},[194],"$lte",{"tag":142,"children":196},[197],"$in",{"tag":142,"children":199},[200],"$nin",{"tag":142,"children":202},[203],"$exists"," plusz ",{"tag":142,"children":206},[207],"$and",{"tag":142,"children":209},[210],"$or",{"tag":142,"children":212},[213],"$not",". A listaoperátorok legfeljebb 10.000 értéket fogadnak.",[216,217,220],"A ritka indexek szűkek: legfeljebb 2.048 nem nulla érték vektoronként, 10 upsert másodpercenként, 100 query másodpercenként, ",{"tag":142,"children":218},[219],"top_k"," maximum 10.000, és kizárólag dot product metrika.",{"type":130,"level":131,"id":101,"text":102},{"type":123,"content":223},[224,225,228],"Egy indexben három rangsorolási jel élhet együtt: BM25 a teljes szövegű mezőkön, sűrű vektorok a jelentésre, ritka vektorok a tanult lexikális súlyra. Vector indexen a hibrid query egy hívásban kombinálja a sűrűt és a ritkát. Document indexen egy keresés egyetlen pontozási típus szerint rangsorol, a ",{"tag":142,"children":226},[227],"score_by"," választja ki, tehát a hibrid keresés ott vagy egy szöveges szűrő, amely a sűrű keresés előtt szűkíti a jelölteket, vagy két keresés, amelyeket az alkalmazásban reciprocal rank fusionnel fúzionálunk.",{"type":230,"attrs":231,"inner":235,"caption":236},"diagram",{"viewBox":232,"role":233,"aria-labelledby":234},"0 0 720 360","img","pinc-t pinc-d","\u003Ctitle id=\"pinc-t\">Pinecone: dokumentumok és vektorok namespace-ekbe, queryk ki\u003C\u002Ftitle>\u003Cdesc id=\"pinc-d\">A teljes szövegű mezőket tartalmazó dokumentumok, sűrű vektorok és ritka vektorok egy serverless indexbe kerülnek, amely namespace-ekre van osztva. Egy query egy namespace-t nevez meg, a beolvasott namespace minden gigabájtra egy read unitba kerül, 0,25 read unit a minimum, metaadat szűrővel szűkíthető, és pontozott találatokat ad vissza, amelyek válaszbytejai egressként számlázódnak.\u003C\u002Fdesc>\u003Ctext x=\"20\" y=\"28\" class=\"d-title\">Pinecone: egyszer írsz, namespace-t kérdezel\u003C\u002Ftext>\u003Ctext x=\"700\" y=\"28\" text-anchor=\"end\" class=\"d-label\">docs.pinecone.io\u003C\u002Ftext>\u003Ctext x=\"20\" y=\"56\" class=\"d-label\">UPSERT\u003C\u002Ftext>\u003Crect x=\"20\" y=\"70\" width=\"210\" height=\"54\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"125\" y=\"96\" text-anchor=\"middle\" class=\"d-text\">Dokumentumok\u003C\u002Ftext>\u003Ctext x=\"125\" y=\"114\" text-anchor=\"middle\" class=\"d-small\">BM25 teljes szöveg\u003C\u002Ftext>\u003Crect x=\"255\" y=\"70\" width=\"210\" height=\"54\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"360\" y=\"96\" text-anchor=\"middle\" class=\"d-text\">Sűrű vektorok\u003C\u002Ftext>\u003Ctext x=\"360\" y=\"114\" text-anchor=\"middle\" class=\"d-small\">cosine vagy euclidean\u003C\u002Ftext>\u003Crect x=\"490\" y=\"70\" width=\"205\" height=\"54\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"592\" y=\"96\" text-anchor=\"middle\" class=\"d-text\">Ritka vektorok\u003C\u002Ftext>\u003Ctext x=\"592\" y=\"114\" text-anchor=\"middle\" class=\"d-small\">csak dotproduct\u003C\u002Ftext>\u003Cpath d=\"M125 124 V136\" class=\"d-line\" \u002F>\u003Cpath d=\"M125 146 l-5 -9 h10 z\" class=\"d-head\" \u002F>\u003Cpath d=\"M360 124 V136\" class=\"d-line\" \u002F>\u003Cpath d=\"M360 146 l-5 -9 h10 z\" class=\"d-head\" \u002F>\u003Cpath d=\"M592 124 V136\" class=\"d-line\" \u002F>\u003Cpath d=\"M592 146 l-5 -9 h10 z\" class=\"d-head\" \u002F>\u003Ctext x=\"20\" y=\"160\" class=\"d-label\">EGY SERVERLESS INDEX, NAMESPACE-EKRE OSZTVA\u003C\u002Ftext>\u003Crect x=\"20\" y=\"174\" width=\"675\" height=\"58\" rx=\"10\" class=\"d-sky\" \u002F>\u003Ctext x=\"357\" y=\"200\" text-anchor=\"middle\" class=\"d-text\">Index\u003C\u002Ftext>\u003Ctext x=\"357\" y=\"219\" text-anchor=\"middle\" class=\"d-small\">tenant-1 · tenant-2 · tenant-100 · az alapértelmezett namespace\u003C\u002Ftext>\u003Cpath d=\"M688 232 V246\" class=\"d-line\" \u002F>\u003Cpath d=\"M688 256 l-5 -9 h10 z\" class=\"d-head\" \u002F>\u003Ctext x=\"20\" y=\"256\" class=\"d-label\">QUERY\u003C\u002Ftext>\u003Crect x=\"20\" y=\"270\" width=\"210\" height=\"62\" rx=\"10\" class=\"d-gold\" \u002F>\u003Ctext x=\"125\" y=\"297\" text-anchor=\"middle\" class=\"d-text\">Namespace\u003C\u002Ftext>\u003Ctext x=\"125\" y=\"317\" text-anchor=\"middle\" class=\"d-small\">1 read unit GB-nként, min. 0,25\u003C\u002Ftext>\u003Crect x=\"255\" y=\"270\" width=\"210\" height=\"62\" rx=\"10\" class=\"d-gold\" \u002F>\u003Ctext x=\"360\" y=\"297\" text-anchor=\"middle\" class=\"d-text\">Metaadat szűrő\u003C\u002Ftext>\u003Ctext x=\"360\" y=\"317\" text-anchor=\"middle\" class=\"d-small\">$eq, $in, $and, $not\u003C\u002Ftext>\u003Crect x=\"490\" y=\"270\" width=\"205\" height=\"62\" rx=\"10\" class=\"d-accent\" \u002F>\u003Ctext x=\"592\" y=\"297\" text-anchor=\"middle\" class=\"d-text\">Pontozott találatok\u003C\u002Ftext>\u003Ctext x=\"592\" y=\"317\" text-anchor=\"middle\" class=\"d-small\">plusz egress a válaszbyteokra\u003C\u002Ftext>\u003Cpath d=\"M236 301 H243\" class=\"d-line\" \u002F>\u003Cpath d=\"M253 301 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Cpath d=\"M471 301 H478\" class=\"d-line\" \u002F>\u003Cpath d=\"M488 301 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Ctext x=\"20\" y=\"352\" class=\"d-small\">Egy data plane indexenként · létrehozáskor rögzített · nincs séma migráció\u003C\u002Ftext>",[237],"Az árazási modell ugyanebből a szerkezetből következik: a query az index megcélzott részéért fizet, nem a végzett munkáért.",{"type":123,"content":239},[240,241,145,243,149,246,249],"Az árazási modell ugyanebből a szerkezetből következik. Egy query egy read unitba kerül a beolvasott namespace minden gigabájtra, 0,25 read unit a minimum. A ",{"tag":142,"children":242},[219],{"tag":142,"children":244},[245],"include_metadata",{"tag":142,"children":247},[248],"include_values"," nem változtat rajta semmit; csak a namespace mérete számít. Az egrest külön mérik a visszaadott bitekre, az ID-k és a pontok is beleszámítanak. Az index körül ott van három további szolgáltatás, amelyeket érdemes megnevezni, mert megváltoztatják, mit kell megtennie az alkalmazásnak: a Pinecone Inference embedding- és reranking modelleket hostol, és tokenekre vagy rerank kérésekre számol; a Pinecone Assistant a feltöltött dokumentumkészletből chat végpontot csinál saját token- és ingestion méréssel; a Pinecone Nexus pedig, agent knowledge engine-ként felsorolva, ugyanezt az ötletet viszi tovább azzal, hogy a retrieval egyszer történik meg az adat változásakor, nem minden agent híváskor.",{"type":130,"level":131,"id":104,"text":105},{"type":123,"content":252},[253],"Négy dolog fog bele, és ezek közül három strukturális, nem javítható.",{"type":136,"ordered":137,"items":255},[256,258,260,270,272,274],[257],"A séma migráció nem támogatott. Egy létrehozott dokumentum indexhez nem lehet mezőt hozzáadni, eltávolítani vagy módosítani, és a dokumentált megoldás az index törlése és egy új létrehozása.",[259],"Átkonvertálni nem lehet. Az index data plane-je létrehozáskor rögzül, így az SDK frissítése sosem viszi át a régi vector indexet a Documents API-ra. Aki teljes szöveges keresést akar, második indexet épít és újra betölt.",[261,262,265,266,269],"A cloud és a régió létrehozás után nem változtatható, a Starter csomag pedig ",{"tag":142,"children":263},[264],"aws"," ",{"tag":142,"children":267},[268],"us-east-1"," régióra korlátozott. Ami adatrezidencia követelményt tartalmaz, az már az első napon fizetős csomagos döntés.",[271],"Az olvasási költség a namespace méretével skálázódik, nem a munkával. Egy 50 GB-os namespace 50 read unitba kerül querynként; ugyanaz az adat 100 darab 0,5 GB-os namespace-ben 0,5-be. Ez százszoros a legnagyobb tételben.",[273],"Az Enterprise alatt nincs rendelkezésreállási SLA, az Enterprise pedig 500 dolláros havi minimumtól indul. A Standard, amelyre a legtöbb produkciós terhelés kerül, sem SLA-t, sem audit logot nem kap.",[275],"A Pinecone Local, a lokális emulátor, a 2025-01 API verziót futtatja, egy indexet 100.000 rekordra korlátoz, figyelmen kívül hagyja az API kulcsokat, és nem támogat namespace-eket, mentést vagy Pinecone Inference-t. Ez CI kényelem, nem hű lokális környezet.",{"type":123,"content":277},[278],"Vegyük a dokumentált díjakat és számoljunk. Standarden a read unit cloudtól és régiótól függően 16 és 18 dollár millióonként. Egymillió query egy 50 GB-os namespace-en 50 millió read unit, tehát havonta körülbelül 800 dollár csak olvasásra. Ugyanez az egymillió query 100 darab 0,5 GB-os namespace-ben 500.000 read unit, azaz nagyjából 8 dollár. Az alkalmazáson semmi nem változott, csak a particionáláson. Az Enterprise-on, ahol a read unit 24 dolláron milliónként indul, ugyane két szám 1.200 és 12 dollár lesz.",{"type":280,"variant":281,"title":282,"body":283},"callout","warn","A namespace költségszabályozó, nem séma-részlet",[284,286],[285],"A namespace-eket multitenant használatra és lekérdezési sebességre dokumentálták. Az árazási modell költségszabályozóvá is teszi őket, és ez a legnehezebben felfedezhető a Pinecone-ban. A tenantonkénti namespace egyszerre izolációs mechanizmus és az a mechanizmus, amely megakadályozza, hogy egy nagy ügyfél szabja meg mindenki olvasási árát.",[287],"A következmény kellemetlen. A prícingoldal átviteli példái azért tűnnek bőkezűnek, mert egy kis index beleül a 0,25 read unit minimumba; ugyanez a forgalmi minta egy 10 GB-os namespace-ben querynként a negyvenszeresébe kerül.",{"type":130,"level":131,"id":107,"text":108},{"type":123,"content":290},[291],"A legkisebb hasznos Pinecone program egy vector index a saját embeddingjeinkkel, tenantonként egy namespace, és egy metaadat szűrő a queryben. Ide convergeál a legtöbb produkciós kód, és ez az a forma, amelyet az árazási modell jutalmaz.",{"type":142,"code":293},"import os\nfrom pinecone import Pinecone, ServerlessSpec\n\npc = Pinecone(api_key=os.environ[\"PINECONE_API_KEY\"])\n\nif not pc.has_index(\"products\"):\n    pc.create_index(\n        name=\"products\",\n        vector_type=\"dense\",\n        dimension=1536,\n        metric=\"cosine\",\n        spec=ServerlessSpec(cloud=\"aws\", region=\"eu-central-1\"),\n        deletion_protection=\"disabled\",\n    )\n\nindex = pc.Index(\"products\")\n\n# One namespace per tenant keeps each read inside a small slice of the index.\nindex.upsert(\n    namespace=\"tenant-42\",\n    vectors=[(\"p-1001\", embedding, {\"category\": \"pumps\", \"price\": 249.0})],\n)\n\nhits = index.query(\n    namespace=\"tenant-42\",\n    vector=query_embedding,\n    top_k=8,\n    filter={\"category\": {\"$eq\": \"pumps\"}, \"price\": {\"$lte\": 500}},\n    include_metadata=True,\n    include_values=False,   # omit the vector: egress is billed on the response\n)",{"type":123,"content":295},[296,297,300,301,304,305,308,309,312],"A snippet két részlete teherviselő. A ",{"tag":142,"children":298},[299],"include_values=False"," az alapértelmezés, és több kilobájtot tart ki találatonként az egress számlából, míg egy ",{"tag":142,"children":302},[303],"fetch"," mindig visszaadja a vektorértékeket, szóval ",{"tag":142,"children":306},[307],"query","-t használj, ha keresel és csak azonosítókat vagy metaadatokat kérsz. És a ",{"tag":142,"children":310},[311],"filter"," nem csökkenti a read unitokat: ezt a namespace teszi. A szűrők a már kiválasztott namespace-en belül szűkítik a beolvasott halmazt, ami még egy ok arra, hogy ne mindent tegyünk egyetlen namespace-be.",{"type":280,"variant":314,"title":315,"body":316},"note","Először az index fajtáját válasszuk",[317,319],[318],"Ha a tervben BM25 is szerepel, a sémás document index az egyetlen út, és a sémát utána nem lehet módosítani. Ha sűrű és ritka vektorokról van szó kombinált queryvel, maradjunk vector indexen, ahol a hibrid keresés egyetlen hívás.",[320],"Mindkét fajta minden csomagban elérhető. A döntésnek nem a licencelhez, hanem a tartóssághoz van köze.",{"type":130,"level":131,"id":110,"text":111},{"type":123,"content":323},[324],"Négy csomag, mindegyik más alakú. A Starter ingyenes, merev keretekkel, a Builder havi 20 dollár fix, a Standard és az Enterprise pedig használat alapú havi minimum mögött, amely inkább vállalásként viselkedik, nem díjként.",{"type":326,"head":327,"rows":336},"table",[328,330,332,334],[329],"",[331],"Starter",[333],"Standard",[335],"Enterprise",[337,346,354,363,372,380],[338,340,342,344],[339],"Havi minimum",[341],"$0",[343],"$50",[345],"$500",[347,349,351,353],[348],"Tárhely",[350],"Legfeljebb 2 GB",[352],"Korlátlan, $0,33 GB-nként havonta",[352],[355,357,359,361],[356],"Write unit",[358],"Legfeljebb 2M havonta",[360],"Korlátlan, $4 és $4,50 millióonként",[362],"Korlátlan, $6 és $6,75 millióonként",[364,366,368,370],[365],"Read unit",[367],"Legfeljebb 1M havonta",[369],"Korlátlan, $16 és $18 millióonként",[371],"Korlátlan, $24 és $27 millióonként",[373,375,377,379],[374],"Egress",[376],"1 GB havonta",[378],"100 GB benne, utána $0,10 GB-nként",[378],[381,383,385,387],[382],"Irányítás",[384],"Community support, egy projekt",[386],"SSO, RBAC, mentés és visszaállítás",[388],"Audit logok, privát végpontok, CMK, SCIM, 99,95% SLA",{"type":123,"content":390},[391],"Három megjegyzés. Az 50 és az 500 dolláros minimumot kiegészítő tételként számlázzák, ha a használat alatta marad, szóval egy csendes hónap is a minimumba kerül. A Standardben a read unit négyszerese a write unitnak, ami azt jelenti, hogy egy olvasás-intenzív retrieval alkalmazást egyetlen tétel ural. A és a lapos díjas csomagok nem esnek szépen: a keret túllépése után a beolvasó kérések 429 hibával blokkoltak, nem kiszámlázva, ami egészen más hibaminta, mint a meglepő számla, és vitathatóan a kettő közül a jobb.",{"type":123,"content":393},[394],"A Standard és az Enterprise azt is feloldja, amit egy produkciós beállítás végül igényel: import object storage-ból 0,25 dollár GB-nként, mentés 0,10 dollár GB-nként havonta, visszaállítás 0,15 dollár GB-nként, valamint dedicated read node-ok, amelyek egyáltalán nem read unitban mérődnek, hanem a kiépített kapacitás alapján áraznak. A dedicated read node-ok azok a funkciók, amelyeket meg kell érteni, mielőtt bárki úgy dönt, hogy a Pinecone túl drága, mert megtörik a read unit formulát, amelyen a cikk többi része áll.",{"type":130,"level":131,"id":113,"text":114},{"type":123,"content":397},[398],"Az érdemi összehasonlítás nem minden vektordatabázis. Hanem az a kettő, amely egy konkrét, strukturált módon töri meg a Pinecone modellt.",{"type":326,"head":400,"rows":408},[401,402,404,406],[329],[403],"Pinecone",[405],"Qdrant",[407],"pgvector",[409,418,427,436,445],[410,412,414,416],[411],"Licenc és üzemeltetés",[413],"Saját tulajdon; menedzselt serverless AWS-en, Azure-on vagy GCP-n",[415],"Apache-2.0; saját üzemeltetés vagy Qdrant Cloud",[417],"PostgreSQL licenc; egy oszlop a saját adatbázisodban",[419,421,423,425],[420],"Hibrid keresés",[422],"Egy index tartalmaz dense, sparse és BM25 adatot, de a document index kérésenként egy jellel rangsorol",[424],"Egy query a dense, sparse és BM25 pontokat összekeveri",[426],"Te kombinálod a ts_vector-t és a vektorindexet",[428,430,432,434],[429],"Egy query költsége",[431],"1 read unit namespace GB-nként, minimum 0,25",[433],"A géped, amelyen fut, vagy cloud node-ok",[435],"A már fizetett Postgres számla része",[437,439,441,443],[438],"Az alak megváltoztatása",[440],"A séma nem változik; index új és újratöltés",[442],"A payload mezők rebuild nélkül bővíthetők",[444],"ALTER TABLE, majd az ANN index megépítése",[446,448,450,452],[447],"SQL és joinok",[449],"Nincs; nincs join, nincs tranzakció",[451],"Nincs; szűrés a payloadon át",[453],"Teljes SQL a vektorok és a sorok felett együtt",{"type":123,"content":455},[456],"A táblázat őszinte összegzése: a pgvector mindent nyer, kivéve a méretet, és a küszöb valahol tízmillió vektornál van, ami felett a PostgreSQL-ben az indexépítési idők és a recall hangolása már nem egy kényelmes délután. A Qdrant nyer a kontrollnál és az egyetlen queryben végzett hibrid keresésnél, és veszít azon, hogy valakinek futtatnia kell. A Pinecone nyer az első query idejénél és abban, hogy egy keresőszolgáltatáshoz nem kell ügyeletet szervezni, és veszít a queryenkénti költségen, amikor az index megnő, és abban, hogy az adat alakját utólag nem lehet megváltoztatni. Ezek az egyezések, egyik sem hiba.",{"type":130,"level":131,"id":116,"text":117},{"type":123,"content":459},[460],"A Pinecone a helyes alapértelmezés egy retrieval funkció első kilencven napjára, és elfogadható választás évekig, ha a terhelés kicsi, jól particionált, és elég nehéz ahhoz, hogy a read unit minimumon üljön. Akkor szűnik meg a helyes válasz, ha az index meghalad néhány gigabájtot, ha egy megfelelési követelmény SLA-t vagy audit logokat kér, vagy ha a korpusz alakja még mozgásban van.",{"type":136,"ordered":462,"items":463},true,[464,466,468,470,472],[465],"Vedd át, ha senki sem fog kereső klasztert tulajdonolni. Az ingyenes csomag valóban hasznos, az első fizetős lépés 20 dollár fix.",[467],"Particionálj namespace-ekre, mielőtt nagy az index, nem utána. Ez az egyetlen döntés állítja be az olvasási számlát, és később sokkal nehezebb megváltoztatni.",[469],"Ne vedd át document indexet olyan korpuszra, amelynek mezői még mozgásban vannak, mert a séma migráció nem támogatott.",[471],"Számolj a saját namespace méreddel. A read unit képlet a dokumentációban elég rövid ahhoz, hogy zsebszámológéppel kijöjjön.",[473],"Nézd meg a Qdrantot, ha az index meghalad tízmillió vektort, és a pgvectort, ha jelentősen egy millió alatt marad, és van már adatbázisadminisztrátorod.",{"type":280,"variant":475,"title":476,"body":477},"tip","Ha ma döntesz",[478,480],[479],"A [pgvector összehasonlítás](\u002Fblog\u002Fpgvector-vs-vector-databases) mélyebben kezeli az open source oldalt, a [hibrid keresés és reranking](\u002Fblog\u002Frag-pipeline-chunking-hybrid-search-reranking) pedig azt, mi mozgatja valójában a recallt.",[481],"A retrieval minőségét a chunkelés, az embedding választás és a reranking dönti el jóval korábban, mint az indeximplementáció. Menedzselt adatbázist retrieval minőségi alapon választani azt jelenti, hogy a legkevésbé fontos változón választasz.",{"type":130,"level":131,"id":119,"text":120},{"type":136,"ordered":462,"items":484},[485,489,492,495,498,501,504,507],[486],{"tag":487,"href":36,"children":488},"a",[35],[490],{"tag":487,"href":39,"children":491},[38],[493],{"tag":487,"href":42,"children":494},[41],[496],{"tag":487,"href":45,"children":497},[44],[499],{"tag":487,"href":48,"children":500},[47],[502],{"tag":487,"href":51,"children":503},[50],[505],{"tag":487,"href":54,"children":506},[53],[508],{"tag":487,"href":57,"children":509},[56],[511,559,611,653],{"slug":512,"published":513,"minutes":6,"category":7,"tags":514,"keywords":519,"about":528,"sources":532,"cover":551,"og":552,"expertise":60,"locales":553,"lang":64,"title":554,"description":555,"coverAlt":556,"url":557,"pricing":558,"kind":515},"zep","2026-10-06",[515,516,517,518,11],"Agent memory","Knowledge graph","Temporal graph","Context engineering",[520,521,522,523,524,525,526,527],"zep ai","zep agent memory","graphiti knowledge graph","zep pricing","zep vs mem0","long-term memory for agents","temporal knowledge graph","zep cloud",[529],{"name":530,"url":531},"Zep","https:\u002F\u002Fwww.getzep.com\u002F",[533,536,539,542,545,548],{"title":534,"url":535},"Zep pricing: plans, credits and limits","https:\u002F\u002Fwww.getzep.com\u002Fpricing",{"title":537,"url":538},"Zep documentation","https:\u002F\u002Fhelp.getzep.com\u002F",{"title":540,"url":541},"Graphiti on GitHub","https:\u002F\u002Fgithub.com\u002Fgetzep\u002Fgraphiti",{"title":543,"url":544},"Graphiti product page","https:\u002F\u002Fwww.getzep.com\u002Fplatform\u002Fgraphiti\u002F",{"title":546,"url":547},"Announcing a new direction for Zep's open-source strategy","https:\u002F\u002Fwww.getzep.com\u002Fblog\u002Fannouncing-a-new-direction-for-zeps-open-source-strategy\u002F",{"title":549,"url":550},"Graphiti: temporal knowledge graphs for AI agents (arXiv)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.13956","\u002Fimages\u002Fblog\u002Fzep\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fzep\u002Fog.jpg",[62,63,64],"Zep ismertető: ügynök-memory temporális gráfon","A Zep hostolt ügynök-memory API temporális tudásgráfon: kreditek íráskor, lekérdezés ingyen, Flex 125 dollártól havonta, a Graphiti az a rész, amit magunk üzemeltethetünk.","A Zep diagramja arról, hogyan jut el egy tény a promptig: az üzeneteket és tényeket felhasználónkénti entitás- és kapcsolatgráffá bontják, a lekérdezés pedig bejárja a gráfot, és kontextusblokkot ad vissza a támasztó tényekkel.","https:\u002F\u002Fwww.getzep.com","Apache-2.0 core · Cloud from $50 per month",{"slug":560,"published":561,"minutes":562,"category":7,"tags":563,"keywords":565,"about":573,"sources":578,"cover":603,"og":604,"expertise":60,"locales":605,"lang":64,"title":606,"description":607,"coverAlt":608,"url":609,"pricing":610,"kind":25},"lancedb","2026-09-21",9,[9,13,564,11],"Embedded database",[560,566,567,568,569,570,571,572],"lancedb review","lance vector database","embedded vector database","lancedb vs qdrant","hybrid search rrf","lancedb indexing","lance data format",[574,575],{"name":25,"url":26},{"name":576,"url":577},"Apache Arrow","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FApache_Arrow",[579,582,585,588,591,594,597,600],{"title":580,"url":581},"LanceDB quickstart","https:\u002F\u002Fdocs.lancedb.com\u002Fquickstart",{"title":583,"url":584},"LanceDB vector indexes","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Fvector-index",{"title":586,"url":587},"LanceDB indexing guide","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Findex",{"title":589,"url":590},"LanceDB hybrid search","https:\u002F\u002Fdocs.lancedb.com\u002Fsearch\u002Fhybrid-search",{"title":592,"url":593},"LanceDB Enterprise","https:\u002F\u002Fdocs.lancedb.com\u002Fenterprise",{"title":595,"url":596},"LanceDB frequently asked questions","https:\u002F\u002Fdocs.lancedb.com\u002Ffaq\u002Ffaq-oss",{"title":598,"url":599},"LanceDB pricing","https:\u002F\u002Flancedb.com\u002Fpricing",{"title":601,"url":602},"LanceDB on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Flancedb\u002F","\u002Fimages\u002Fblog\u002Flancedb\u002Fcover.webp","\u002Fimages\u002Fblog\u002Flancedb\u002Fog.jpg",[62,63,64],"LanceDB: vektoros keresés, amely könyvtárként indul","A LanceDB értékelése: Apache-2.0 beágyazott vektoros könyvtár szerver helyett, az IVF és HNSW indexválasztás, hibrid keresés rangsoregyesítéssel, és mit ad hozzá az Enterprise.","A LanceDB teszt borítóképe: egy Lance-tábla vektorindexet és teljes szöveges indexet táplál egy fúziós rangsorba","https:\u002F\u002Flancedb.com","Apache-2.0 · Cloud paid",{"slug":407,"published":561,"minutes":612,"category":7,"tags":613,"keywords":617,"about":624,"sources":630,"cover":645,"og":646,"expertise":60,"locales":647,"lang":64,"title":648,"description":649,"coverAlt":650,"url":626,"pricing":651,"kind":652},10,[9,614,615,11,616],"Postgres","HNSW","Quantisation",[407,618,619,620,621,622,623],"pgvector vs qdrant","postgres vector search","hnsw index postgres","iterative index scans","binary quantization postgres","vector database postgres",[625,627],{"name":407,"url":626},"https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"name":628,"url":629},"PostgreSQL","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPostgreSQL",[631,633,636,639,642],{"title":632,"url":626},"pgvector README",{"title":634,"url":635},"pgvector changelog","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FCHANGELOG.md",{"title":637,"url":638},"PostgreSQL news: pgvector 0.8.2 released","https:\u002F\u002Fwww.postgresql.org\u002Fabout\u002Fnews\u002Fpgvector-082-released-3245\u002F",{"title":640,"url":641},"AWS: Scale pgvector with binary quantization","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fdatabase\u002Fscale-pgvector-with-binary-quantization-on-amazon-aurora-postgresql\u002F",{"title":643,"url":644},"pgvector licence","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FLICENSE","\u002Fimages\u002Fblog\u002Fpgvector\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fpgvector\u002Fog.jpg",[62,63,64],"pgvector, értékelés: az a vektordatázis, amelyet nem kell üzemeltetned","Értékelés a pgvector 0.8.7-ről: iteratív indexszkennelés szűrt kereséshez, HNSW és IVFFlat, bináris kvantizálás 100 millió vektornál, és a CVE, amely az indexépítést javítási tétellé tette.","A lekérdezés felül három útra bontakozik: pontos szekvenciális szkennelés, HNSW gráfjárás és IVFFlat vizsgálat; alul egy iteratív szkennelés folytatódik, amíg a limit kitelik.","PostgreSQL licence","Vector database extension",{"slug":654,"published":655,"minutes":612,"category":7,"tags":656,"keywords":658,"about":664,"sources":668,"cover":696,"og":697,"expertise":60,"locales":698,"lang":64,"title":699,"description":700,"coverAlt":701,"url":667,"pricing":702,"kind":515},"mem0","2026-09-17",[515,657,11,9],"Long-term memory",[654,659,660,661,662,525,663],"mem0 review","agent memory layer","mem0 self-hosted","mem0 pricing","mem0 alternatives",[665],{"name":666,"url":667},"Mem0","https:\u002F\u002Fmem0.ai",[669,672,675,678,681,684,687,690,693],{"title":670,"url":671},"Mem0 documentation","https:\u002F\u002Fdocs.mem0.ai\u002Fintroduction",{"title":673,"url":674},"Mem0 quickstart","https:\u002F\u002Fdocs.mem0.ai\u002Fquickstart",{"title":676,"url":677},"How Mem0 works","https:\u002F\u002Fdocs.mem0.ai\u002Fcore-concepts\u002Fhow-it-works",{"title":679,"url":680},"Mem0 pricing","https:\u002F\u002Fmem0.ai\u002Fpricing",{"title":682,"url":683},"Mem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"title":685,"url":686},"mem0ai on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Fmem0ai\u002F",{"title":688,"url":689},"Mem0 research and benchmarks","https:\u002F\u002Fmem0.ai\u002Fresearch",{"title":691,"url":692},"Mem0 MCP server","https:\u002F\u002Fdocs.mem0.ai\u002Fplatform\u002Fmem0-mcp",{"title":694,"url":695},"Mem0 paper on arXiv","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.19413","\u002Fimages\u002Fblog\u002Fmem0\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmem0\u002Fog.jpg",[62,63,64],"Mem0: mennyibe kerül egy ügynökmemória körönként","A Mem0 elemzése: körönként kinyert tények, az április 2026-i benchmark tábla platformra vonatkozó fenntartása, négy felhő-csomag és ami kimarad az önálló üzemeltetésből.","Hurok, amely a beszélgetésből tárolt tényeket készít, majd visszaolvasja őket a promptba","Free tier · from $19 per month",1791383550218]