Référence des outils MCP Pinecone

Le serveur MCP Pinecone expose les outils suivants aux agents IA et aux IDE. Pour les instructions de configuration et d'installation, consultez le guide du serveur MCP.

Limitation clé : Pinecone MCP ne supporte que les index intégrés — les index créés avec un modèle d'embedding Pinecone intégré. Il ne fonctionne pas avec les index standard utilisant des modèles d'embedding externes. Pour ceux-ci, utilisez le CLI Pinecone.

`list-indexes`

Énumérer tous les index du projet Pinecone actuel.

`describe-index`

Obtenir les détails de configuration d'un index spécifique — cloud, région, dimension, métrique, modèle d'embedding, carte de champ et statut.

Paramètres :

name (requis) — Nom de l'index

`describe-index-stats`

Obtenir les statistiques d'un index, notamment le nombre total d'enregistrements et la répartition par namespace.

Paramètres :

name (requis) — Nom de l'index

`create-index-for-model`

Créer un nouvel index serverless avec un modèle d'embedding intégré. Pinecone gère l'embedding automatiquement — aucun modèle externe nécessaire.

Paramètres :

name (requis) — Nom de l'index
cloud (requis) — aws, gcp ou azure
region (requis) — Région cloud (par ex. us-east-1)
embed.model (requis) — Modèle d'embedding : llama-text-embed-v2, multilingual-e5-large ou pinecone-sparse-english-v0
embed.fieldMap.text (requis) — Le champ d'enregistrement contenant le texte à embedding (par ex. chunk_text)

`upsert-records`

Insérer ou mettre à jour les enregistrements dans un index intégré. Les enregistrements sont automatiquement embeddés en utilisant le modèle configuré de l'index.

Paramètres :

name (requis) — Nom de l'index
namespace (requis) — Namespace pour l'upsert
records (requis) — Tableau d'enregistrements. Chaque enregistrement doit avoir un champ id ou _id et contenir le champ de texte spécifié dans la fieldMap de l'index. Ne mettez pas les champs sous metadata — mettez-les directement sur l'enregistrement.

Exemple d'enregistrement :

{ "_id": "rec1", "chunk_text": "The Eiffel Tower was built in 1889.", "category": "architecture" }

`search-records`

Recherche sémantique textuelle sur un index intégré. Passez le texte brut — le MCP embedding la requête automatiquement en utilisant le modèle de l'index.

Paramètres :

name (requis) — Nom de l'index
namespace (requis) — Namespace à rechercher
query.inputs.text (requis) — La requête textuelle
query.topK (requis) — Nombre de résultats à retourner
query.filter (optionnel) — Filtre de métadonnées utilisant les opérateurs de style MongoDB ($eq, $ne, $in, $gt, $gte, $lt, $lte)
rerank.model (optionnel) — Modèle de reclassement : bge-reranker-v2-m3, cohere-rerank-3.5 ou pinecone-rerank-v0
rerank.rankFields (optionnel) — Champs à reclasser (par ex. ["chunk_text"])
rerank.topN (optionnel) — Nombre de résultats à retourner après reclassement

`cascading-search`

Rechercher simultanément sur plusieurs index, puis dédupliquer et reclasser les résultats dans une seule liste classée.

Paramètres :

indexes (requis) — Tableau d'objets { name, namespace } à rechercher
query.inputs.text (requis) — La requête textuelle
query.topK (requis) — Nombre de résultats à récupérer par index avant reclassement
rerank.model (requis) — Modèle de reclassement : bge-reranker-v2-m3, cohere-rerank-3.5 ou pinecone-rerank-v0
rerank.rankFields (requis) — Champs à reclasser
rerank.topN (optionnel) — Nombre final de résultats à retourner après reclassement

`rerank-documents`

Reclasser un ensemble de documents ou d'enregistrements par rapport à une requête sans effectuer d'abord une recherche vectorielle.

Paramètres :

model (requis) — bge-reranker-v2-m3, cohere-rerank-3.5 ou pinecone-rerank-v0
query (requis) — La requête pour reclasser
documents (requis) — Tableau de chaînes de caractères ou d'enregistrements à reclasser
options.topN (requis) — Nombre de résultats à retourner
options.rankFields (optionnel) — Si les documents sont des enregistrements, le(s) champ(s) à reclasser