Pinecone Modell Kontextprotokollserver für Claude Desktop.

Was ist MCP-Pinecone?

MCP-Pinecone ist ein Model Context Protocol-Server, der entwickelt wurde, um Lese- und Schreiboperationen von Pinecone, einem Vektordatenbankdienst, zu erleichtern. Dieser Server bietet eine grundlegende Retrieval-Augmented Generation (RAG)-Funktionalität, die es Entwicklern ermöglicht, fortschrittliche KI-Funktionen nahtlos in ihre Anwendungen zu integrieren. Durch die Nutzung von MCP-Pinecone können Benutzer ihre Datenabrufprozesse verbessern, was den Zugriff auf und die Nutzung von Informationen, die in Pinecone gespeichert sind, erleichtert.

Funktionen von MCP-Pinecone

• Integration mit Pinecone: Stellt eine direkte Verbindung zu Pinecone her, die ein effizientes Datenmanagement und -abruf ermöglicht.
• RAG-Funktionalitäten: Unterstützt Retrieval-Augmented Generation, wodurch die Qualität der generierten Antworten durch die Nutzung externer Daten verbessert wird.
• Open Source: Öffentlich zugänglich, sodass Entwickler den Code nach Bedarf beitragen und ändern können.
• Benutzerfreundliche Schnittstelle: Mit Blick auf die Benutzerfreundlichkeit gestaltet, sodass sie sowohl für Anfänger als auch für erfahrene Entwickler zugänglich ist.
• Aktive Community: Unterstützt von einer Gemeinschaft von Mitwirkenden, die kontinuierliche Verbesserungen und Unterstützung gewährleistet.

So verwenden Sie MCP-Pinecone

1. Installation: Klonen Sie das Repository von GitHub und installieren Sie die erforderlichen Abhängigkeiten.

   git clone https://github.com/sirmews/mcp-pinecone.git
   cd mcp-pinecone
   npm install
   

2. Konfiguration: Richten Sie Ihren Pinecone-API-Schlüssel und andere Konfigurationen in den Umgebungsvariablen oder Konfigurationsdateien ein.

3. Server starten: Starten Sie den Server, um mit Pinecone zu interagieren.

   npm start
   

4. Anfragen stellen: Verwenden Sie die bereitgestellten API-Endpunkte, um Daten in Pinecone zu lesen und zu schreiben. Konsultieren Sie die Dokumentation für detaillierte Anweisungen zu den verfügbaren Endpunkten und deren Verwendung.

5. Mitwirken: Wenn Sie zum Projekt beitragen möchten, können Sie das Repository gerne forken, Ihre Änderungen vornehmen und einen Pull-Request einreichen.

Häufig gestellte Fragen

Was ist Pinecone?

Pinecone ist eine vollständig verwaltete Vektordatenbank, die für maschinelles Lernen-Anwendungen konzipiert ist. Sie ermöglicht es Benutzern, hochdimensionale Vektoren effizient zu speichern und abzufragen, was sie ideal für Anwendungen im Bereich KI und Datenwissenschaft macht.

Wie verbessert MCP-Pinecone den Datenabruf?

Durch die Implementierung von Retrieval-Augmented Generation (RAG) ermöglicht MCP-Pinecone Anwendungen, Antworten basierend auf dem Training des Modells und Echtzeitdaten von Pinecone zu generieren, was zu genaueren und kontextuell relevanteren Ausgaben führt.

Ist MCP-Pinecone kostenlos zu verwenden?

Ja, MCP-Pinecone ist ein Open-Source-Projekt und kann kostenlos verwendet werden. Die Nutzung von Pinecone kann jedoch Kosten verursachen, die von Ihrer Nutzung ihrer Dienste abhängen.

Kann ich zum MCP-Pinecone-Projekt beitragen?

Absolut! Beiträge sind willkommen. Sie können das Repository forken, Verbesserungen vornehmen und einen Pull-Request einreichen, um Ihre Verbesserungen mit der Community zu teilen.

Wo finde ich die Dokumentation für MCP-Pinecone?

Die Dokumentation ist normalerweise im Repository enthalten. Sie können auch die README-Datei für Installationsanweisungen und Nutzungshinweise überprüfen.

Pinecone Model Context Protocol Server for Claude Desktop.

Read and write to a Pinecone index.

Components

flowchart TB
    subgraph Client["MCP Client (e.g., Claude Desktop)"]
        UI[User Interface]
    end

    subgraph MCPServer["MCP Server (pinecone-mcp)"]
        Server[Server Class]
        
        subgraph Handlers["Request Handlers"]
            ListRes[list_resources]
            ReadRes[read_resource]
            ListTools[list_tools]
            CallTool[call_tool]
            GetPrompt[get_prompt]
            ListPrompts[list_prompts]
        end
        
        subgraph Tools["Implemented Tools"]
            SemSearch[semantic-search]
            ReadDoc[read-document]
            ListDocs[list-documents]
            PineconeStats[pinecone-stats]
            ProcessDoc[process-document]
        end
    end

    subgraph PineconeService["Pinecone Service"]
        PC[Pinecone Client]
        subgraph PineconeFunctions["Pinecone Operations"]
            Search[search_records]
            Upsert[upsert_records]
            Fetch[fetch_records]
            List[list_records]
            Embed[generate_embeddings]
        end
        Index[(Pinecone Index)]
    end

    %% Connections
    UI --> Server
    Server --> Handlers
    
    ListTools --> Tools
    CallTool --> Tools
    
    Tools --> PC
    PC --> PineconeFunctions
    PineconeFunctions --> Index
    
    %% Data flow for semantic search
    SemSearch --> Search
    Search --> Embed
    Embed --> Index
    
    %% Data flow for document operations
    UpsertDoc --> Upsert
    ReadDoc --> Fetch
    ListRes --> List

    classDef primary fill:#2563eb,stroke:#1d4ed8,color:white
    classDef secondary fill:#4b5563,stroke:#374151,color:white
    classDef storage fill:#059669,stroke:#047857,color:white
    
    class Server,PC primary
    class Tools,Handlers secondary
    class Index storage

Resources

The server implements the ability to read and write to a Pinecone index.

Tools

• semantic-search: Search for records in the Pinecone index.
• read-document: Read a document from the Pinecone index.
• list-documents: List all documents in the Pinecone index.
• pinecone-stats: Get stats about the Pinecone index, including the number of records, dimensions, and namespaces.
• process-document: Process a document into chunks and upsert them into the Pinecone index. This performs the overall steps of chunking, embedding, and upserting.

Note: embeddings are generated via Pinecone's inference API and chunking is done with a token-based chunker. Written by copying a lot from langchain and debugging with Claude.

Quickstart

Installing via Smithery

To install Pinecone MCP Server for Claude Desktop automatically via Smithery:

npx -y @smithery/cli install mcp-pinecone --client claude

Install the server

Recommend using uv to install the server locally for Claude.

uvx install mcp-pinecone

OR

uv pip install mcp-pinecone

Add your config as described below.

Claude Desktop

On MacOS: ~/Library/Application\ Support/Claude/claude_desktop_config.json On Windows: %APPDATA%/Claude/claude_desktop_config.json

Note: You might need to use the direct path to uv. Use which uv to find the path.

Development/Unpublished Servers Configuration

"mcpServers": {
  "mcp-pinecone": {
    "command": "uv",
    "args": [
      "--directory",
      "{project_dir}",
      "run",
      "mcp-pinecone"
    ]
  }
}

Published Servers Configuration

"mcpServers": {
  "mcp-pinecone": {
    "command": "uvx",
    "args": [
      "--index-name",
      "{your-index-name}",
      "--api-key",
      "{your-secret-api-key}",
      "mcp-pinecone"
    ]
  }
}

Sign up to Pinecone

You can sign up for a Pinecone account here.

Get an API key

Create a new index in Pinecone, replacing {your-index-name} and get an API key from the Pinecone dashboard, replacing {your-secret-api-key} in the config.

Development

Building and Publishing

To prepare the package for distribution:

1. Sync dependencies and update lockfile:

uv sync

2. Build package distributions:

uv build

This will create source and wheel distributions in the dist/ directory.

3. Publish to PyPI:

uv publish

Note: You'll need to set PyPI credentials via environment variables or command flags:

• Token: --token or UV_PUBLISH_TOKEN
• Or username/password: --username/UV_PUBLISH_USERNAME and --password/UV_PUBLISH_PASSWORD

Debugging

Since MCP servers run over stdio, debugging can be challenging. For the best debugging experience, we strongly recommend using the MCP Inspector.

You can launch the MCP Inspector via npm with this command:

npx @modelcontextprotocol/inspector uv --directory {project_dir} run mcp-pinecone

Upon launching, the Inspector will display a URL that you can access in your browser to begin debugging.

License

This project is licensed under the MIT License. See the LICENSE file for details.

Source Code

The source code is available on GitHub.

Contributing

Send your ideas and feedback to me on Bluesky or by opening an issue.