以向量数据库和RAG（检索增强生成）生态起家的Pinecone，近期在AI代理领域给出了与以往不同的产品判断。
据The New Stack近日报道，过去4年，Pinecone围绕RAG的分块（chunking）、嵌入（embedding）和检索能力服务了80万名开发者，并于5月初推出面向AI代理的知识引擎Nexus。
Pinecone认为，在推理阶段临时检索信息的传统RAG模式已经属于“过去式”。在这一模式下，AI代理往往不断陷入“检索—读取—再检索”的循环，任务完成率只能达到50%至60%，而且约85%的工作量都耗费在获取上下文上。
该公司指出，传统RAG将原始分块直接交给大模型，再寄望模型自行理解和组织信息，这种方式不仅速度慢、成本高，稳定性也不足。
与之不同，Nexus的思路是把处理环节前置，即在查询发生之前先完成知识预处理，而不是等问题出现后再即时拉取信息并解析含义。
与Nexus一同发布的KnowQL，正是为这一机制设计的查询语言。Pinecone称，采用这套方案后，AI代理的任务完成率可提升至90%以上，Token成本则可下降90%。
对于上述数据，The New Stack撰稿人Janakiram MSV表示，在经过验证之前，很难完全照单全收。不过他同时认为，这一判断在结构上是成立的，和具体数字并无绝对关系；相比传统方式，“一次编译、多次读取”的模式更适合AI代理的任务运行方式。
类似思路并非Pinecone独有。Anthropic已推出可打包常用上下文并重复调用的“技能”机制；AI编程工具Cursor中的Cursor Rules，也在编辑器层面承担了相近作用；Claude Code的子代理则会围绕不同任务预先打包上下文和工具。LangChain的Harrison Chase过去几个月一直将这一方向称为“上下文工程”，并认为Pinecone是在检索层面对这一模式的具体落地。
不过，质疑声同样存在。Janakiram MSV指出，KnowQL若要真正发挥作用，前提是像SQL一样成为全行业普遍采用的标准；而标准的形成，并不是单靠一家厂商发布产品就能实现的。
Chi-gyu Hwang
delight@d-today.co.kr