Référence des outils Pinecone MCP

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

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

list-indexes

Lister tous les indexes du projet Pinecone actuel.

describe-index

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

Paramètres :

• name (requis) — Nom de l'index

describe-index-stats

Obtenir les statistiques d'un index incluant 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 embedding intégré. Pinecone gère automatiquement l'embedding — aucun modèle externe nécessaire.

Paramètres :

• name (requis) — Nom de l'index
• cloud (requis) — aws, gcp, ou azure
• region (requis) — Région cloud (ex. us-east-1)
• embed.model (requis) — Modèle 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 embedder (ex. chunk_text)

upsert-records

Insérer ou mettre à jour des 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 où faire l'upsert
• records (requis) — Tableau d'enregistrements. Chaque enregistrement doit avoir un champ id ou _id et contenir le champ texte spécifié dans le fieldMap de l'index. Ne nidifiez 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 textuelle sémantique contre un index intégré. Passez du texte brut — le MCP embedde automatiquement la requête 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 reranking : bge-reranker-v2-m3, cohere-rerank-3.5, ou pinecone-rerank-v0
• rerank.rankFields (optionnel) — Champs à reranker (ex. ["chunk_text"])
• rerank.topN (optionnel) — Nombre de résultats à retourner après reranking

cascading-search

Rechercher simultanément sur plusieurs indexes, puis dédupliquer et reranker 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 reranking
• rerank.model (requis) — Modèle de reranking : bge-reranker-v2-m3, cohere-rerank-3.5, ou pinecone-rerank-v0
• rerank.rankFields (requis) — Champs à reranker
• rerank.topN (optionnel) — Nombre final de résultats à retourner après reranking

rerank-documents

Reranker un ensemble de documents ou d'enregistrements contre 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 à reranker
• documents (requis) — Tableau de chaînes ou d'enregistrements à reranker
• options.topN (requis) — Nombre de résultats à retourner
• options.rankFields (optionnel) — Si les documents sont des enregistrements, le(s) champ(s) à reranker