用例：AI 推荐

场景: Netflix/Spotify 风格的“为你推荐”。 传统方式: 协同过滤 (矩阵分解)。难以实现。 AI 方式: 向量相似度。

概念：用户 Embeddings

1. 项目 Embedding: 将每部电影转换为向量（基于描述/类型）。
2. 用户历史: "用户看了 Matrix, Inception, Interstellar"。
3. 用户 Embedding: 平均他们观看的电影的向量。 UserVector = (Matrix + Inception + Interstellar) / 3

实现

1. 更新用户画像

每次他们“点赞”一个项目：

async function onLike(userId, movieId) {
  const movieVector = await getVector(movieId);
  const userVector = await getUserVector(userId);
  
  // 移动平均更新
  const newVector = (userVector * 0.9) + (movieVector * 0.1);
  
  await saveUserVector(userId, newVector);
}

2. 生成 Feed 流

使用 User Vector 查询向量数据库。

const recommendations = await pinecone.query({
  vector: userVector,
  topK: 10,
  filter: { id: { $nin: watchedMovieIds } } // 排除已观看的
});

冷启动问题

如果用户是新用户怎么办？ 解决方案: 在入职期间问 3 个问题。“你喜欢什么类型？”-> 从该文本生成初始向量。