Pinecone Nexus 與 KnowQL：Agent 時代的知識基礎設施不只是向量搜尋
Pinecone Nexus 把 agent 知識層從傳統 chunk retrieval 推向 knowledge compilation：用 context compiler 產生任務型 artifacts，再用 KnowQL 讓 agent 宣告 intent、filter、provenance、output shape、confidence 與 budget。
Pinecone 這篇文章宣告 Nexus 與 KnowQL，核心主張是：agent 的主要瓶頸不再只是向量搜尋，而是知識基礎設施。傳統 RAG 讓 agent 在 inference time 不斷 retrieve、讀 chunks、補查、合成，成本高且不穩；Nexus 試圖把推理前移到 knowledge compilation，預先產生可治理、可引用、可組合、任務最佳化的 knowledge artifacts，再用 KnowQL 讓 agent 宣告自己需要的 intent、filter、provenance、output shape、confidence 與 budget。
Nexus 不是一般 retrieval system，而是 Pinecone 對「agentic AI 時代 knowledge engine」的產品化定義：把 raw enterprise data 編譯成 agent 可直接使用的任務知識。
人類搜尋可以接受 links / chunks；agent 長任務需要可執行、可追溯、低延遲、可治理的 context。否則 agent 大量 token 花在找資料，而不是完成任務。
Context compiler：把來源資料與 task spec 編譯成 specialized contexts / artifacts。Composable retriever：依 agent 需求輸出結構化、低延遲、帶引用與 confidence 的知識。
KnowQL 是 Pinecone 提出的 agent knowledge query language，用六個 primitive 讓 agent 能宣告需要什麼知識、格式、來源、信心與成本/延遲邊界。
| 比較 | 傳統 RAG / Chunk Retrieval | Pinecone Nexus 的主張 |
|---|---|---|
| 輸入給 agent | raw chunks、文件片段、相似搜尋結果 | task-optimized artifacts、typed fields、per-field citations |
| 推理位置 | inference time，LLM 每次重新讀 context | knowledge compilation time，先建可重用知識表示 |
| 治理 | 常依賴應用層補 RBAC、PII、引用與 audit | RBAC scope、PII tagging、versioning、usage / spend dashboard 內建於 knowledge layer |
| 延遲 / 成本 | 候選越多、任務越長，token 與 latency 越不可控 | 透過 budget envelope、artifact reuse、結構化輸出降低查詢成本 |
| 系統語義 | 「找資料」 | 「把資料轉成 agent 可完成任務的知識」 |
輸入 source data 與 task spec，產生專門為任務設計的 contexts / artifacts。它不是單純整理資料，而是反覆實驗表示法、對任務評估、收斂到 agent 需要的知識結構。