Claude デスクトップ用の Pinecone モデル コンテキスト プロトコル サーバー。
Pinecone インデックスの読み取りと書き込みを行います。
コンポーネント
リソース
サーバーは、Pinecone インデックスの読み取りと書き込みの機能を実装します。
ツール
semantic-search
: Pinecone インデックス内のレコードを検索します。read-document
: Pinecone インデックスからドキュメントを読み取ります。list-documents
: Pinecone インデックス内のすべてのドキュメントを一覧表示します。pinecone-stats
: レコード数、ディメンション、名前空間など、Pinecone インデックスに関する統計情報を取得します。process-document
: ドキュメントをチャンクに分割し、Pinecone インデックスに upsert します。チャンク化、埋め込み、および upsert という一連の手順を実行します。
注: 埋め込みはPineconeの推論APIを介して生成され、チャンク化はトークンベースのチャンカーによって行われます。langchainから多くの部分をコピーし、Claudeとデバッグしながら作成しました。
クイックスタート
Smithery経由でインストール
Smithery経由で Claude Desktop 用の Pinecone MCP Server を自動的にインストールするには:
サーバーをインストールする
Claude 用にサーバーをローカルにインストールするには、 uvを使用することをお勧めします。
または
以下の説明に従って設定を追加します。
クロードデスクトップ
MacOS の場合: ~/Library/Application\ Support/Claude/claude_desktop_config.json
Windows の場合: %APPDATA%/Claude/claude_desktop_config.json
注意: uv
への直接パスを使用する必要があるかもしれません。which which uv
を使ってパスを見つけてください。
開発/非公開サーバーの構成
公開サーバーの構成
Pineconeに登録する
Pinecone アカウントはここから登録できます。
APIキーを取得する
Pinecone に新しいインデックスを作成し、 {your-index-name}
を置き換え、Pinecone ダッシュボードから API キーを取得し、構成内の{your-secret-api-key}
を置き換えます。
発達
建築と出版
配布用のパッケージを準備するには:
- 依存関係を同期し、ロックファイルを更新します。
- パッケージディストリビューションをビルドします。
これにより、 dist/
ディレクトリにソースとホイールのディストリビューションが作成されます。
- PyPI に公開:
注: 環境変数またはコマンド フラグを使用して PyPI 資格情報を設定する必要があります。
- トークン:
--token
またはUV_PUBLISH_TOKEN
- またはユーザー名/パスワード:
--username
/UV_PUBLISH_USERNAME
および--password
/UV_PUBLISH_PASSWORD
デバッグ
MCPサーバーはstdio経由で実行されるため、デバッグが困難になる場合があります。最適なデバッグ環境を実現するには、 MCP Inspectorの使用を強くお勧めします。
次のコマンドを使用して、 npm
経由で MCP Inspector を起動できます。
起動すると、ブラウザでアクセスしてデバッグを開始できる URL がインスペクタに表示されます。
ライセンス
このプロジェクトはMITライセンスの下で提供されています。詳細はLICENSEファイルをご覧ください。
ソースコード
ソースコードはGitHubで入手できます。
貢献
あなたのアイデアやフィードバックは、 Blueskyまたは問題をオープンして私に送ってください。
This server cannot be installed
remote-capable server
The server can be hosted and run remotely because it primarily relies on remote services or has no dependency on the local environment.
ベクトル検索機能を備えたPineconeの統合
Related MCP Servers
- AsecurityAlicenseAqualityThis repository is an example of how to create a MCP server for Qdrant, a vector search engine.Last updated -2634PythonApache 2.0
- AsecurityAlicenseAqualityEnables fetching relevant content and embeddings from Supavec via the Model Context Protocol, allowing AI assistants like Claude to access vector search capabilities.Last updated -13TypeScriptMIT License
- -securityFlicense-qualityA Node.js implementation for vector search using LanceDB and Ollama's embedding model.Last updated -JavaScript
- -securityFlicense-qualityImplements long-term memory capabilities for AI assistants using PostgreSQL with pgvector for efficient vector similarity search, enabling semantic retrieval of stored information.Last updated -1JavaScript