Serveur de protocole de contexte de modèle Pinecone pour Claude Desktop.

Qu'est-ce que MCP-Pinecone ?

MCP-Pinecone est un serveur de Protocole de Contexte de Modèle conçu pour faciliter les opérations de lecture et d'écriture à partir de Pinecone, un service de base de données vectorielle. Ce serveur offre une capacité rudimentaire de Génération Augmentée par Récupération (RAG), permettant aux développeurs d'intégrer des fonctionnalités avancées d'IA dans leurs applications de manière transparente. En tirant parti de MCP-Pinecone, les utilisateurs peuvent améliorer leurs processus de récupération de données, rendant plus facile l'accès et l'utilisation des informations stockées dans Pinecone.

Fonctionnalités de MCP-Pinecone

• Intégration avec Pinecone : Se connecte directement à Pinecone, permettant une gestion et une récupération des données efficaces.
• Capacités RAG : Prend en charge la Génération Augmentée par Récupération, améliorant la qualité des réponses générées en utilisant des données externes.
• Open Source : Disponible pour un usage public, permettant aux développeurs de contribuer et de modifier le code selon leurs besoins.
• Interface conviviale : Conçu pour être facile à utiliser, le rendant accessible tant aux développeurs novices qu'expérimentés.
• Communauté active : Soutenu par une communauté de contributeurs, garantissant une amélioration continue et un support.

Comment utiliser MCP-Pinecone

1. Installation : Clonez le dépôt depuis GitHub et installez les dépendances nécessaires.

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

2. Configuration : Configurez votre clé API Pinecone et d'autres configurations dans les variables d'environnement ou les fichiers de configuration.

3. Exécution du serveur : Démarrez le serveur pour commencer à interagir avec Pinecone.

   npm start
   

4. Faire des requêtes : Utilisez les points de terminaison API fournis pour lire et écrire des données dans Pinecone. Consultez la documentation pour des instructions détaillées sur les points de terminaison disponibles et leur utilisation.

5. Contribuer : Si vous souhaitez contribuer au projet, n'hésitez pas à forker le dépôt, à apporter vos modifications et à soumettre une demande de tirage.

Questions Fréquemment Posées

Qu'est-ce que Pinecone ?

Pinecone est une base de données vectorielle entièrement gérée conçue pour des applications d'apprentissage automatique. Elle permet aux utilisateurs de stocker et d'interroger efficacement des vecteurs de haute dimension, ce qui la rend idéale pour des applications impliquant l'IA et la science des données.

Comment MCP-Pinecone améliore-t-il la récupération de données ?

En mettant en œuvre la Génération Augmentée par Récupération (RAG), MCP-Pinecone permet aux applications de générer des réponses basées à la fois sur l'entraînement du modèle et sur des données en temps réel provenant de Pinecone, conduisant à des résultats plus précis et contextuellement pertinents.

MCP-Pinecone est-il gratuit à utiliser ?

Oui, MCP-Pinecone est un projet open-source, et vous pouvez l'utiliser gratuitement. Cependant, l'utilisation de Pinecone peut entraîner des coûts en fonction de votre utilisation de leurs services.

Puis-je contribuer au projet MCP-Pinecone ?

Absolument ! Les contributions sont les bienvenues. Vous pouvez forker le dépôt, apporter des améliorations et soumettre une demande de tirage pour partager vos améliorations avec la communauté.

Où puis-je trouver la documentation pour MCP-Pinecone ?

La documentation est généralement incluse dans le dépôt. Vous pouvez également consulter le fichier README pour des instructions d'installation et des directives d'utilisation.

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.