Pinecone 向量存储节点#

使用 Pinecone 节点可将你的 Pinecone 数据库作为 向量存储（vector store） 进行交互。你可以将文档插入向量数据库、从向量数据库获取文档、检索文档以提供给连接到 链（chain） 的检索器，或直接作为 智能代理（agent） 的 工具（tool） 使用。此外，你还可以通过 ID 更新向量数据库中的条目。 本页面包含 Pinecone 节点的参数说明以及相关资源链接。

凭据

有关此节点的身份验证信息，请参见此处。

子节点中的参数解析#

当使用表达式处理多个项目时，子节点的行为与其他节点有所不同。

大多数节点（包括根节点）可以接收任意数量的输入项，逐个处理这些项目并输出结果。你可以使用表达式引用输入项，节点会依次为每个项目解析该表达式。例如，若有五个 name 值作为输入，则表达式 {{ $json.name }} 会依次解析为每一个名称。

而在子节点中，表达式始终解析为第一个项目。例如，同样有五个 name 值作为输入时，表达式 {{ $json.name }} 始终指向第一个名称。

节点使用模式#

Pinecone 向量存储节点支持以下几种使用模式。

作为普通节点插入、更新和检索文档#

你可以将 Pinecone 向量存储作为普通节点来插入、更新或获取文档。这种模式下，Pinecone 向量存储节点处于常规连接流程中，不涉及智能代理。

你可以在此模板的场景 1 中看到示例。

直接作为工具连接到 AI 智能代理#

你可以将 Pinecone 向量存储节点直接连接到 AI 智能代理（AI agent） 的工具连接器上，以便在回答查询时利用向量存储作为资源。

此时的连接方式为：AI 智能代理（工具连接器） → Pinecone 向量存储节点。

使用检索器获取文档#

你可以将 向量存储检索器（Vector Store Retriever） 节点与 Pinecone 向量存储节点结合使用，从后者中提取文档。通常与 问答链（Question and Answer Chain） 节点配合使用，以从向量存储中检索出与聊天输入相匹配的文档。

一个连接流程示例如下所示： 问答链（Retriever 连接器） → 向量存储检索器（Vector Store 连接器） → Pinecone 向量存储。

使用向量存储问答工具回答问题#

另一种模式是使用 向量存储问答工具（Vector Store Question Answer Tool） 对 Pinecone 向量存储中的结果进行总结并回答问题。与直接将 Pinecone 向量存储作为工具不同，此模式使用专为汇总向量存储数据而设计的工具。

在这种情况下，连接流程 如下所示： AI 智能代理（工具连接器） → 向量存储问答工具（Vector Store 连接器） → Pinecone 向量存储。

节点参数#

操作模式#

该向量存储节点包含五种模式：Get Many、Insert Documents、Retrieve Documents (As Vector Store for Chain/Tool)、Retrieve Documents (As Tool for AI Agent) 和 Update Documents。所选模式决定了节点可执行的操作以及可用的输入和输出。

Get Many#

在此模式下，可通过提供提示词（prompt）从向量数据库中检索多个文档。系统会将提示词嵌入并向量化，用于相似性搜索。节点将返回与提示最相似的文档及其相似度得分。当你希望获取一组相似文档并将其传递给智能代理作为额外上下文时，此功能非常有用。

Insert Documents#

使用“插入文档”模式将新文档插入向量数据库。

Retrieve Documents (As Vector Store for Chain/Tool)#

将“检索文档（作为链/工具的向量存储）”模式与向量存储检索器结合使用，从向量数据库中检索文档，并提供给连接至链的检索器。在此模式下，必须将该节点连接到一个检索器节点或根节点。

Retrieve Documents (As Tool for AI Agent)#

使用“检索文档（作为 AI 智能代理的工具）”模式，在回答查询时将向量存储作为工具资源。当智能代理生成响应时，若问题内容与向量存储的名称和描述匹配，则会调用该向量存储。

Update Documents#

使用“更新文档”模式根据 ID 更新向量数据库中的文档。请在 ID 字段中填写要更新的嵌入条目的 ID。

重排序结果（Rerank Results）#

启用 重排序（reranking） 功能。启用此选项后，必须将一个重排序节点连接到向量存储节点，该节点会对查询结果进行重新排序。此选项可用于 Get Many、Retrieve Documents (As Vector Store for Chain/Tool) 和 Retrieve Documents (As Tool for AI Agent) 模式。

Get Many 参数#

• Pinecone Index（Pinecone 索引）：选择或输入要使用的 Pinecone 索引。
• Prompt（提示）：输入你的搜索查询。
• Limit（限制）：设置从向量存储中检索的结果数量。例如，设为 10 可获取前 10 个最佳结果。

插入文档参数#

• Pinecone Index（Pinecone 索引） : 选择或输入要使用的 Pinecone 索引。

检索文档（作为链/工具的向量存储）参数#

• Pinecone Index（Pinecone 索引） : 选择或输入要使用的 Pinecone 索引。

检索文档（作为 AI Agent 的工具）参数#

• Name（名称） : 向量存储的名称。
• Description（描述） : 向大语言模型（LLM）说明此工具的功能。清晰且具体的描述有助于 LLM 更频繁地生成符合预期的结果。
• Pinecone Index（Pinecone 索引） : 选择或输入要使用的 Pinecone 索引。
• Limit（限制） : 输入从向量存储中检索的结果数量。例如，设置为 10 可获取最相关的十个结果。

更新文档 的参数#

• ID

节点选项#

Pinecone 命名空间（Namespace）#

用于在索引中存储数据的另一种隔离方式。

元数据过滤器（Metadata Filter）#

在 获取多个（Get Many） 模式下可用。搜索数据时，使用此选项匹配文档关联的元数据。 这是一个 AND 查询：如果指定了多个元数据过滤字段，则所有字段都必须匹配。 插入数据时，元数据通过文档加载器（document loader）设置。有关加载文档的更多信息，请参考 默认数据加载器（Default Data Loader）。

清空命名空间（Clear Namespace）#

在 插入文档（Insert Documents） 模式下可用。在插入新数据之前，删除命名空间中的所有数据。

模板与示例#

使用 AI 提问 PDF 内容 作者：David Roberts 查看模板详情

使用 AI 与 PDF 文档对话（引用来源） 作者：David Roberts 查看模板详情

基于 Google Drive 和 Gemini 的公司文档 RAG 聊天机器人 作者：Mihai Farcas 查看模板详情

浏览 Pinecone 向量存储集成模板，或 搜索所有模板

相关资源#

更多服务信息，请参考 LangChain 的 Pinecone 文档。 查看 n8n 的 高级 AI（Advanced AI） 文档。

查找你的 Pinecone 索引和命名空间#

你的 Pinecone 索引和命名空间可在你的 Pinecone 账户中找到。 Pinecone 账户截图，标出了 Pinecone 索引位置