[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-pinecone-io--examples":3,"tool-pinecone-io--examples":62},[4,18,26,36,46,54],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160411,2,"2026-04-18T23:33:24",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":68,"readme_en":69,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":32,"env_os":95,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":141},9370,"pinecone-io\u002Fexamples","examples","Jupyter Notebooks to help you get hands-on with Pinecone vector databases","examples 是 Pinecone 官方推出的开源学习资源库，汇集了大量可运行、可下载的 Jupyter Notebook 示例代码与应用模板。它旨在帮助开发者快速上手 Pinecone 向量数据库，深入理解其在人工智能领域的实际应用模式。\n\n在构建基于大模型的智能应用时，如何让 AI 拥有“长期记忆”并高效检索海量数据是一大挑战。examples 通过提供实战代码，解决了从理论概念到落地实现的鸿沟，让用户能直观掌握向量嵌入、相似度搜索及常见 AI 算法的集成方法。\n\n这套资源特别适合人工智能开发者、数据科学家以及希望探索向量数据库潜力的研究人员使用。无论您是想构建生产级应用，还是仅希望探索前沿 AI 技术，都能从中找到合适的切入点。\n\nexamples 的独特之处在于其内容分为两类：位于 `docs` 目录下的示例经过工程团队严格审查，具备生产就绪的高可靠性；而 `learn` 目录则由开发者倡导团队维护，专注于教学演示与技术创新探索，非常适合在 Google Colab 等环境中进行交互式实验。如果您希望在项目中引入高效的向量检索能力，examples 将是您不可或缺的实践指南","examples 是 Pinecone 官方推出的开源学习资源库，汇集了大量可运行、可下载的 Jupyter Notebook 示例代码与应用模板。它旨在帮助开发者快速上手 Pinecone 向量数据库，深入理解其在人工智能领域的实际应用模式。\n\n在构建基于大模型的智能应用时，如何让 AI 拥有“长期记忆”并高效检索海量数据是一大挑战。examples 通过提供实战代码，解决了从理论概念到落地实现的鸿沟，让用户能直观掌握向量嵌入、相似度搜索及常见 AI 算法的集成方法。\n\n这套资源特别适合人工智能开发者、数据科学家以及希望探索向量数据库潜力的研究人员使用。无论您是想构建生产级应用，还是仅希望探索前沿 AI 技术，都能从中找到合适的切入点。\n\nexamples 的独特之处在于其内容分为两类：位于 `docs` 目录下的示例经过工程团队严格审查，具备生产就绪的高可靠性；而 `learn` 目录则由开发者倡导团队维护，专注于教学演示与技术创新探索，非常适合在 Google Colab 等环境中进行交互式实验。如果您希望在项目中引入高效的向量检索能力，examples 将是您不可或缺的实践指南。","![Long term memory for Artificial Intelligence](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpinecone-io_examples_readme_1630daf27143.jpeg)\n\n# Pinecone Examples\n\nThis repository is a collection of sample applications and Jupyter Notebooks that you can run, download, study and modify in order to get hands-on with \nPinecone [vector databases](https:\u002F\u002Fwww.pinecone.io\u002Flearn\u002Fvector-database\u002F) and common AI patterns, tools and algorithms.\n\n# Two kinds of examples \n\nThis repo contains: \n\n1. Production ready examples in [`.\u002Fdocs`](.\u002Fdocs) that receive regular review and support from the Pinecone engineering team\n2. Examples optimized for learning and exploration of AI techniques in [`.\u002Flearn`](.\u002Flearn) and patterns for building different kinds of applications, created and maintained by the Pinecone Developer Advocacy team. \n\nWe appreciate your feedback and contributions. Please see [CONTRIBUTING.md](CONTRIBUTING.md) for information on how to contribute to this repo. \n\n# Getting started \n\nPlease see our [Getting started guide](.\u002Flearn\u002FREADME.md#getting-started) in our learn section for detailed instructions and a walkthrough of setting up and running a Jupyter Notebook in Google Colab for experimentation. \n\n## We love feedback! \n\nAs you work through these examples, if you encounter any problems or things that are confusing or don't work quite right, please [open a new issue :octocat:](https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fissues\u002Fnew).\n\n## Getting support and further reading \n\nVisit our: \n* [Documentation](https:\u002F\u002Fdocs.pinecone.io)\n* [Support forums](https:\u002F\u002Fcommunity.pinecone.io)\n\n## Contributing\n\nSee [CONTRIBUTING.md](CONTRIBUTING.md) for guidelines on how to contribute. \n","![人工智能的长期记忆](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpinecone-io_examples_readme_1630daf27143.jpeg)\n\n# Pinecone 示例\n\n此仓库汇集了一系列示例应用和 Jupyter Notebook，您可以运行、下载、研究并修改它们，以实际操作的方式深入了解 \nPinecone [向量数据库](https:\u002F\u002Fwww.pinecone.io\u002Flearn\u002Fvector-database\u002F) 以及常见的 AI 模式、工具和算法。\n\n# 两类示例\n\n本仓库包含：\n\n1. 在 [`.\u002Fdocs`](.\u002Fdocs) 中的生产就绪示例，由 Pinecone 工程团队定期审查并提供支持。\n2. 在 [`.\u002Flearn`](.\u002Flearn) 中为学习和探索 AI 技术而优化的示例，以及由 Pinecone 开发者推广团队创建和维护的用于构建不同类型应用的模式。\n\n我们非常感谢您的反馈和贡献。有关如何为本仓库做出贡献的信息，请参阅 [CONTRIBUTING.md](CONTRIBUTING.md)。\n\n# 入门\n\n请参阅我们的学习部分中的[入门指南](.\u002Flearn\u002FREADME.md#getting-started)，其中提供了详细的说明，并演示了如何在 Google Colab 中设置和运行 Jupyter Notebook 进行实验。\n\n## 我们非常欢迎反馈！\n\n在您尝试这些示例时，如果您遇到任何问题、感到困惑或某些功能未能正常工作，请[新建一个议题 :octocat:](https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fissues\u002Fnew)。\n\n## 获取支持与进一步阅读\n\n请访问我们的：\n* [文档](https:\u002F\u002Fdocs.pinecone.io)\n* [支持论坛](https:\u002F\u002Fcommunity.pinecone.io)\n\n## 贡献\n\n有关如何贡献的指南，请参阅 [CONTRIBUTING.md](CONTRIBUTING.md)。","# Pinecone Examples 快速上手指南\n\n本指南帮助中国开发者快速开始使用 Pinecone 向量数据库示例库，探索 AI 模式与算法。\n\n## 环境准备\n\n*   **系统要求**：支持运行 Jupyter Notebook 的环境（推荐 Google Colab 或本地 Python 3.8+）。\n*   **前置依赖**：\n    *   Python 包管理器 (`pip`)\n    *   Pinecone API Key（需在 [Pinecone 控制台](https:\u002F\u002Fapp.pinecone.io\u002F) 免费注册获取）\n    *   网络连接（访问 GitHub 及 Pinecone 服务）\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将示例代码下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples.git\n    cd examples\n    ```\n\n2.  **安装 Python 依赖**\n    进入具体的示例目录（例如 `.\u002Flearn` 或 `.\u002Fdocs` 下的某个项目），安装所需库。通常需要先安装核心客户端：\n    ```bash\n    pip install pinecone-client\n    ```\n    *注：具体示例可能还需要 `torch`, `transformers`, `sentence-transformers` 等库，请根据对应目录下的 `requirements.txt` 进行安装：*\n    ```bash\n    pip install -r requirements.txt\n    ```\n\n3.  **配置 API Key**\n    在运行代码前，请在环境变量或代码中设置您的 Pinecone API Key 和环境名称：\n    ```python\n    import os\n    os.environ[\"PINECONE_API_KEY\"] = \"YOUR_API_KEY\"\n    os.environ[\"PINECONE_ENVIRONMENT\"] = \"YOUR_ENVIRONMENT\"\n    ```\n\n## 基本使用\n\n以下是一个最基础的初始化连接并创建索引的示例（基于 Python）：\n\n```python\nfrom pinecone import Pinecone, ServerlessSpec\n\n# 初始化客户端\npc = Pinecone(api_key=os.environ.get(\"PINECONE_API_KEY\"))\n\n# 创建一个新的向量索引\npc.create_index(\n    name=\"quickstart\",\n    dimension=384,\n    metric=\"cosine\",\n    spec=ServerlessSpec(\n        cloud=\"aws\",\n        region=\"us-east-1\"\n    )\n)\n\n# 连接到索引\nindex = pc.Index(\"quickstart\")\n\n# 插入一条示例向量数据\nindex.upsert(\n    vectors=[\n        (\"id-1\", [0.1] * 384, {\"meta\": \"example\"}),\n        (\"id-2\", [0.2] * 384, {\"meta\": \"example\"})\n    ]\n)\n\n# 执行向量搜索\nquery_response = index.query(\n    vector=[0.15] * 384,\n    top_k=1,\n    include_metadata=True\n)\n\nprint(query_response)\n```\n\n> **提示**：对于更复杂的应用场景（如 RAG、长短期记忆构建等），请直接运行 `.\u002Flearn` 目录下的 Jupyter Notebook 文件，其中包含了完整的端到端演示。","某电商初创公司的算法工程师正在构建一个基于语义理解的智能客服系统，需要快速实现用户历史咨询记录的长期记忆功能。\n\n### 没有 examples 时\n- 开发者需从零研究向量数据库的索引构建逻辑，花费数天时间调试嵌入模型与 Pinecone 的连接配置。\n- 缺乏标准的增删改查（CRUD）参考代码，导致在处理大规模商品描述数据时频繁遭遇超时或格式错误。\n- 不清楚如何设计高效的混合搜索策略（结合元数据过滤与向量相似度），只能凭猜测编写低效查询语句。\n- 遇到报错时无法区分是代码逻辑问题还是 API 调用不当，排查过程极度依赖碎片化的网络搜索。\n- 团队内部缺乏统一的最佳实践模板，不同成员实现的检索模块风格迥异，后期维护成本高昂。\n\n### 使用 examples 后\n- 直接运行 `learn` 目录下的 Jupyter Notebook，10 分钟内即可在 Google Colab 中打通从文本嵌入到向量存储的全流程。\n- 复用 `docs` 目录中经工程团队验证的生产级代码片段，轻松处理百万级商品数据的批量导入与更新。\n- 参考现成的混合搜索案例，快速落地“按类别过滤 + 语义匹配”的高级查询功能，显著提升回答准确率。\n- 遇到问题时对照官方维护的示例代码进行比对，迅速定位并修复了参数配置错误，开发效率提升数倍。\n- 团队成员基于统一的示例模板协作开发，确保了代码规范的一致性，大幅降低了系统迭代与维护难度。\n\nexamples 将原本需要数周摸索的向量数据库落地过程，缩短为几天的快速原型验证与部署，让开发者能专注于业务逻辑而非底层基建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpinecone-io_examples_bc402aea.png","pinecone-io","Pinecone","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpinecone-io_10ca2664.png","The vector database for machine learning applications. Build vector-based personalization, ranking, and search systems that are accurate, fast, and scalable.",null,"pinecone","https:\u002F\u002Fwww.pinecone.io","https:\u002F\u002Fgithub.com\u002Fpinecone-io",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",100,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0,3008,1074,"2026-04-14T18:52:22","MIT","","未说明",{"notes":98,"python":96,"dependencies":99},"该仓库主要包含用于学习 Pinecone 向量数据库的示例应用和 Jupyter Notebooks。官方推荐在 Google Colab 环境中运行以获得最佳体验，具体设置指南请参考 .\u002Flearn\u002FREADME.md。由于未在提供的文本中列出具体技术栈，操作系统、硬件及依赖库要求需查看各子目录（.\u002Fdocs 或 .\u002Flearn）中的具体项目说明。",[],[15,13,35,14,16],[102,103,104,105,106,107],"ai","jupyter-notebook","llm","python","semantic-search","vector-database","2026-03-27T02:49:30.150509","2026-04-19T09:17:45.837644",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},42026,"运行零样本目标检测（Zero-shot Object Detection）示例时，输出的边界框结果不正确或相同，如何解决？","在将图像传递给处理器（processor）时，添加参数 `do_rescale=False`。修改前的代码：`inputs = processor(images=big_patch, return_tensors=\"pt\", text=prompt, padding=True).to(device)`；修改后的代码：`inputs = processor(images=big_patch, return_tensors=\"pt\", text=prompt, padding=True, do_rescale=False).to(device)`。","https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fissues\u002F335",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},42027,"加载大型语言模型到 CUDA 时内核崩溃（Kernel Crashes）或内存不足，该怎么办？","这通常是因为实例的 RAM 容量不足以将整个模型加载到内存中。建议在 Google Colab 中运行笔记本，并将运行时环境配置为：硬件加速器选择 GPU，GPU 类型选择 T4，运行时形状（Runtime Shape）配置为\"High RAM\"。如果问题仍然存在，请尝试在更大的 GPU 实例上运行。","https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fissues\u002F193",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},42028,"遇到 'langchain.chains.SQLDatabaseChain' 导入错误或提示库已移动，如何修复？","该类已从 `langchain.chains` 移动到 `langchain_experimental.sql`。请将导入语句从 `from langchain.chains import SQLDatabaseChain` 更改为 `from langchain_experimental.sql import SQLDatabaseChain`。","https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fissues\u002F268",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},42029,"原来的卫星图像搜索（Satellite image search）笔记本链接失效或找不到文件，新地址在哪里？","该笔记本已被移动到 `\u002Flearn` 目录下。新的正确路径是：`https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fblob\u002Fmaster\u002Flearn\u002Fsearch\u002Fimage\u002Fsatellite-image-search\u002Fsatellite-image-search.ipynb`。","https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fissues\u002F274",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},42030,"语义搜索（Semantic Search）文档中的数据集准备笔记本链接指向了不存在的页面，正确的链接是什么？","原链接已失效，正确的笔记本位于 `learn\u002Fsearch\u002Fsemantic-search\u002F` 目录下。请参考此链接获取关于如何为语义搜索准备数据集的完整示例：`https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fblob\u002Fmaster\u002Flearn\u002Fsearch\u002Fsemantic-search\u002Fsemantic-search.ipynb`。","https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fissues\u002F271",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},42031,"是否可以将这些示例代码用于付费教学课程或录制视频进行商业讲解？","可以。官方允许将这些示例用于私人辅导会员或录制视频讲解。如果您制作了面向公众的材料或使用这些示例的视频，官方建议告知他们一声。","https:\u002F\u002Fgithub.com\u002Fpinecone-io\u002Fexamples\u002Fissues\u002F263",[]]