Pinecone a MCP: búsqueda vectorial y RAG en cualquier agente IA

💡 ¿Sin instalación? Usa cloud.anythingmcp.com directamente. Inicia sesión, pulsa Connectors → Pinecone, pega tus credenciales, genera una MCP API key y listo. Sin Docker, sin git clone, sin servidor local.

Pinecone

Deja que tu IA busque en tu base de datos vectorial Pinecone: lista índices, haz búsquedas semánticas y por palabras clave, consulta y recupera registros, revisa namespaces y estadísticas, genera embeddings y reordena resultados con Pinecone Inference, chatea con tus Pinecone Assistants y, con tu confirmación, añade registros.

Configuración

1. Abre la consola de Pinecone en https://app.pinecone.io, elige el proyecto, abre API keys y haz clic en + API key.
2. Elige los permisos. Para solo lectura elige ProjectViewer (o ControlPlaneViewer más DataPlaneViewer): búsqueda, embeddings, reranking y chat con assistants funcionan con él. Da a la clave un rol de editor (ProjectEditor o DataPlaneEditor) solo si la IA puede escribir registros. En los planes Starter y Builder Pinecone solo ofrece All.
3. Copia la clave en PINECONE_API_KEY e instala el conector. Pinecone solo la muestra una vez y suele empezar por pcsk_. Una clave sirve para un proyecto, y el conector solo la envía a pinecone.io.
4. Comprueba la configuración con pinecone_list_indexes: lista tus índices con su estado y el index_host que necesitan las herramientas de datos.

Hosts de los índices: cada índice tiene su propia dirección. La IA llama primero a pinecone_list_indexes o pinecone_describe_index y pasa el index_host que obtiene a cada búsqueda, consulta y escritura. Nunca tienes que buscarlo tú.

La búsqueda adecuada para cada índice: el esquema del índice decide qué herramienta usar.

• Índice integrado (creado con un modelo de embeddings alojado): pinecone_search_records busca con texto normal.
• Índice de documentos (el tipo más nuevo, con campos tipados): pinecone_search_documents combina búsqueda por palabras clave y búsqueda semántica.
• Índice con tus propios vectores: pinecone_query_vectors encuentra registros parecidos a un registro guardado, o a un vector que pinecone_embed crea con el mismo modelo que el índice.

pinecone_fetch_vectors y pinecone_list_vector_ids leen registros por id; pinecone_describe_index_stats y pinecone_list_namespaces los cuentan. Los valores de los vectores nunca llegan a la IA, solo ids, puntuaciones y metadatos.

Pinecone Inference y Assistant: pinecone_list_models, pinecone_embed y pinecone_rerank usan los modelos que aloja Pinecone, por ejemplo para ordenar los resultados de una búsqueda por relevancia. Con pinecone_list_assistants y pinecone_chat_assistant la IA le hace una pregunta a uno de tus Pinecone Assistants; la respuesta sale de los archivos que tiene cargados, con citas, y puede tardar de 10 a 30 segundos.

Las escrituras preguntan antes: pinecone_upsert_records añade o reemplaza registros de texto en un índice integrado (hasta 96 por llamada) y pinecone_update_metadata cambia los metadatos de un registro. Antes de cada escritura la IA te muestra el índice, el namespace y los registros o campos y espera tu sí. Los registros nuevos aparecen en las búsquedas unos segundos después.

Desactivada al instalar: pinecone_delete_vectors, porque los registros borrados no se pueden recuperar. Un administrador la activa de forma deliberada; incluso entonces la IA te muestra los ids y pregunta antes de borrar.

Costes: búsquedas, consultas y lecturas consumen read units y las escrituras write units de tu plan de Pinecone; embeddings, reranking y chat con assistants se cobran por token o por solicitud. La IA mantiene pocos resultados salvo que pidas más.

Errores frecuentes: 401 (Invalid API key o Wrong API key): la clave es incorrecta, se borró o pertenece a otro proyecto. 403: el rol de la clave no lo permite, por ejemplo una clave viewer que intenta escribir. 404: índice, namespace o assistant desconocido; pinecone_list_indexes y pinecone_list_assistants muestran los nombres correctos. 400 en una búsqueda de texto: el índice no es integrado, así que la IA necesita la búsqueda que corresponde a su tipo. 429: límite de frecuencia o del plan; espera un momento y vuelve a intentarlo.

El conector no crea, configura ni borra índices, colecciones o copias de seguridad, no hace importaciones masivas, no sube ni borra archivos de assistants y no gestiona proyectos ni claves de API.

Requisitos previos: PINECONE_API_KEY

Instalar el conector localmente

curl -fsSL https://raw.githubusercontent.com/HelpCode-ai/anythingmcp/main/docker-compose.quickstart.yml -o docker-compose.yml
printf 'JWT_SECRET=%s\nENCRYPTION_KEY=%s\n' "$(openssl rand -hex 32)" "$(openssl rand -hex 32)" > .env
docker compose up -d

Abre http://localhost:3000/connectors/store, elige Pinecone e introduce las variables listadas en los Requisitos previos.

Herramientas disponibles

Ejemplos de prompts

• "¿Qué índices tenemos en Pinecone y cuántos registros tiene cada namespace?"
• "Busca en el índice help-center cómo cancelar una suscripción y muéstrame los cinco mejores resultados con su puntuación."
• "Pregunta a nuestro Pinecone Assistant contracts-bot cuál es el plazo de preaviso del contrato con Acme y muéstrame las citas."
• "Reordena estos seis pasajes según lo bien que responden a la pregunta sobre reembolsos de planes anuales, del mejor al peor."
• "Añade estas tres respuestas de las FAQ como registros en el namespace faq del índice help-center. Enséñame los registros antes de escribirlos."

Siguientes pasos

• Conectar a Claude
• Conectar a ChatGPT