摘要
让你的 AI 搜索你的 Pinecone 向量数据库：列出索引，进行语义搜索和关键词搜索，查询和获取记录，查看命名空间和统计信息，用 Pinecone Inference 生成嵌入并重新排序，与你的 Pinecone Assistant 对话，并在你确认后添加记录。
引导式设置
2 分钟将 Pinecone 连接到 Microsoft Copilot
开始 AnythingMCP Cloud 免费试用，在引导式设置中连接 Pinecone，再把你的 MCP URL 添加到 Microsoft Copilot。无需代码，也无需自行运行服务器。
无需信用卡 · 7 天试用 · 提供自托管方案
试试这样问
Pinecone 的示例提示
点击任意提示即可复制，然后粘贴到 Claude、ChatGPT、Cursor、Gemini、Copilot 或 OpenClaw 中，在该连接器上运行。
Claude 是 AI，可能会出错。请核对回答。
💡 无需安装? 直接使用 cloud.anythingmcp.com。 登录、点击 Connectors → Pinecone、粘贴凭证、生成 MCP API key，即可完成。无 Docker、无
git clone、无本地服务器。
Pinecone + Microsoft Copilot
让你的 AI 搜索你的 Pinecone 向量数据库：列出索引，进行语义搜索和关键词搜索，查询和获取记录，查看命名空间和统计信息，用 Pinecone Inference 生成嵌入并重新排序，与你的 Pinecone Assistant 对话，并在你确认后添加记录。
前提条件
完整的设置说明已内置在连接器中 (在 store 中选择连接器时可见)。所需环境变量:
PINECONE_API_KEY
步骤 1 — 获取凭证
- 打开 Pinecone 控制台
https://app.pinecone.io，选择项目，打开 API keys，点击 + API key。 - 选择权限。只读使用请选 ProjectViewer（或 ControlPlaneViewer 加 DataPlaneViewer）：搜索、嵌入、重新排序和 Assistant 对话都能正常使用。只有允许 AI 写入记录时，才给密钥编辑角色（ProjectEditor 或 DataPlaneEditor）。Starter 和 Builder 套餐只提供 All。
- 把密钥复制到
PINECONE_API_KEY，然后安装连接器。Pinecone 只显示一次密钥，通常以pcsk_开头。一个密钥对应一个项目，连接器只会把它发送到 pinecone.io。 - 用
pinecone_list_indexes检查设置：它会列出你的索引、状态，以及数据工具需要的index_host。
索引地址：每个索引都有自己的地址。AI 会先调用 pinecone_list_indexes 或 pinecone_describe_index，再把得到的 index_host 传给每次搜索、查询和写入。你不需要自己去查。
每种索引对应的搜索：用哪个工具由索引的结构决定。
- 集成索引（用托管嵌入模型创建）：
pinecone_search_records直接用文本搜索。 - 文档索引（较新的类型，字段有类型）：
pinecone_search_documents结合关键词搜索和语义搜索。 - 存放你自己向量的索引：
pinecone_query_vectors查找与某条已存记录相似的记录，或与pinecone_embed用索引同一模型生成的向量相似的记录。
pinecone_fetch_vectors 和 pinecone_list_vector_ids 按 ID 读取记录；pinecone_describe_index_stats 和 pinecone_list_namespaces 统计记录数。向量值从不传给 AI，只传 ID、分数和元数据。
Pinecone Inference 和 Assistant：pinecone_list_models、pinecone_embed 和 pinecone_rerank 使用 Pinecone 托管的模型，例如按相关性重新排列搜索结果。通过 pinecone_list_assistants 和 pinecone_chat_assistant，AI 可以向你的某个 Pinecone Assistant 提问；回答依据上传给它的文件，附带引用，可能需要 10 到 30 秒。
写入前先询问：pinecone_upsert_records 在集成索引中添加或替换文本记录（每次最多 96 条），pinecone_update_metadata 修改一条记录的元数据。每次写入前，AI 会给你看索引、命名空间以及记录或字段，等你同意后才执行。新记录几秒钟后即可被搜索到。
安装时默认关闭：pinecone_delete_vectors，因为删除的记录无法恢复。管理员需要有意识地开启它；即使开启，AI 也会先列出 ID 并在删除前询问你。
费用：搜索、查询和读取消耗 Pinecone 套餐的读取单位，写入消耗写入单位；嵌入、重新排序和 Assistant 对话按 token 或按请求计费。除非你要求更多，AI 会尽量少取结果。
常见错误：401（Invalid API key 或 Wrong API key）：密钥错误、已删除或属于其他项目。403：密钥的角色不允许此操作，例如用只读密钥写入。404：索引、命名空间或 Assistant 不存在；pinecone_list_indexes 和 pinecone_list_assistants 会显示正确的名称。文本搜索返回 400：该索引不是集成索引，AI 需要使用与其类型相符的搜索。429：速率或套餐限制；稍等片刻再试。
该连接器不会创建、配置或删除索引、集合和备份，不做批量导入，不上传或删除 Assistant 文件，也不管理项目和 API 密钥。
步骤 2 — 安装 adapter
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
步骤 3 — 在 Microsoft Copilot 中添加连接器
你的服务器 URL： 在 AnythingMCP 中打开 MCP Servers → 此连接器所在的服务器，复制它的 URL（
https://cloud.anythingmcp.com/mcp/…）。本指南中出现YOUR_SERVER_ID的地方都用它替换。
Microsoft Copilot 通过在 Copilot Studio 中构建的智能体使用 MCP 服务器：把 AnythingMCP 作为工具添加到智能体，然后把智能体发布到 Microsoft 365 Copilot 和 Teams。Copilot Studio 从 Microsoft 的云端通过 Streamable HTTP 连接，AnythingMCP 支持这种方式。
- 在 Copilot Studio 中打开你的智能体（或新建一个），进入 Tools，选择 Add a tool → New tool → Model Context Protocol。
- 填写 Server name（例如
AnythingMCP）、说明连接器用途的 Server description，以及 Server URLhttps://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID。Copilot Studio 根据描述决定何时调用该服务器。 - 身份验证选择 API key，把 Type 设为 Header，请求头名称填
X-API-Key，然后选择 Create。 - 在 Add tool 中选择 Create a new connection，粘贴 AnythingMCP 的 MCP API 密钥（MCP Servers → 你的服务器 → API keys），然后选择 Add to agent。
- 在智能体的 Test 窗格中试一试：提出需要用到
Pinecone的工具的请求。 - 选择 Publish，然后进入 Channels → Microsoft 365 and Microsoft Teams，保持勾选 Make agent available in Microsoft Copilot，再选择 Add channel。See agent in Teams 会为你安装该智能体；在 Microsoft 365 Copilot 中输入 @ 并选择该智能体。
希望每个用户各自登录？请选择 OAuth 2.0 → Dynamic discovery 代替 API 密钥：每个用户会在智能体首次调用时登录 AnythingMCP。
自托管？请用你实例的公网 HTTPS 地址替换 https://cloud.anythingmcp.com。Copilot Studio 从 Microsoft 的云端连接，因此 localhost 无法使用。
可用工具
| Tool | What it does |
|---|---|
pinecone_list_indexes | List the indexes of the Pinecone project: name, index_host (pass it to every data tool), readiness, deployment (serverless cloud and… |
pinecone_describe_index | Describe one index: index_host (pass it to the data tools), readiness, deployment, schema (dimension, metric, embedding model and field map… |
pinecone_describe_index_stats | Get statistics of an index: total record count, record count per namespace, dimension, metric, vector type and fullness (pod indexes) |
pinecone_list_namespaces | List the namespaces of an index with their record counts, 100 per page; call again with pagination_token = pagination.next until it is… |
pinecone_search_records | Semantic search with plain text on an integrated index (one created with a hosted embedding model; its schema shows a semantic_text field)… |
pinecone_search_documents | Search a document index (the newer index type with a typed schema) with one or more scoring methods: full-text (type text or query_string)… |
pinecone_query_vectors | Find the records most similar to a stored record (by id) or to a query vector you pass, optionally with a metadata filter |
pinecone_fetch_vectors | Fetch stored records by id: id and metadata of each |
pinecone_list_vector_ids | List the record ids in a namespace (serverless indexes), optionally only those starting with a prefix such as doc1#; up to 100 per page… |
pinecone_upsert_records | Add or replace text records in an integrated index; Pinecone embeds the text with the index's model |
pinecone_update_metadata | Set metadata fields on one stored record; fields not named stay as they are and the vector is unchanged |
pinecone_delete_vectors | Delete stored records by id |
pinecone_list_models | List the embedding and reranking models Pinecone hosts, with type, vector type, dimensions, maximum input and batch size and supported… |
pinecone_embed | Turn texts into vectors with a Pinecone-hosted embedding model, e.g. to query an index that stores your own vectors with… |
pinecone_rerank | Reorder documents by relevance to a query with a Pinecone-hosted reranking model: returns each document's index in the input list and a… |
pinecone_list_assistants | List the Pinecone Assistants of the project: name, status, instructions, metadata, host and region, and when they were created |
pinecone_chat_assistant | Ask a Pinecone Assistant a question: it answers from the files uploaded to it and returns the answer with citations (file name and pages) |
示例提示
- “我们在 Pinecone 里有哪些索引？每个命名空间有多少条记录？”
- “在 help-center 索引里搜索如何取消订阅，给我看得分最高的五条结果。”
- “问一下我们的 Pinecone Assistant contracts-bot，和 Acme 的合同里解约通知期是多久，并给出引用。”
- “按回答年度套餐退款问题的相关程度，把这六段文字从好到差重新排序。”
- “把这三条常见问题的回答作为记录添加到 help-center 索引的 faq 命名空间。写入前先给我看这些记录。”
FAQ
这适用于哪个 Copilot？ 适用于工作中的 Microsoft 365 Copilot，通过 Copilot Studio 的智能体实现。面向个人账户的 Microsoft Copilot 应用无法添加自己的 MCP 服务器。
我需要什么？ 一个可以使用 Copilot Studio 的工作账户（许可证或试用版），用于构建智能体。在 Microsoft 365 Copilot 或 Teams 中使用它的人需要拥有该智能体的访问权限：把它共享给他们，或请管理员为整个组织发布。如果你的组织对 Power Platform 连接器设置了数据策略，这些策略同样适用于 MCP 服务器。
智能体不调用工具。 检查请求头名称是否正好是 X-API-Key，密钥是否属于与 URL 相同的 MCP 服务器，并把 Server description 写得具体：Copilot Studio 根据它决定何时调用服务器。每次修改后重新发布智能体；在已打开的对话中输入 "start over" 即可使用新版本。
下一步
这份指南对你有帮助吗?