Pinecone Vector Store
使用 Pinecone 节点作为 矢量存储[^1] 与 Pinecone 数据库进行交互。您可以将文档插入矢量数据库、从矢量数据库获取文档、检索文档以将其提供给连接到链 [^2] 的检索器,或直接连接到代理 [^3] 作为工具 [^4]。您还可以通过 ID 更新矢量数据库中的项目。
在此页面上,您将找到 Pinecone 节点的节点参数以及更多资源的链接。
提示
Credentials 凭证
您可以在Pinecone 凭据文档找到该节点的身份验证信息。
提示
Parameter resolution in sub-nodes 子节点参数解析
使用表达式处理多个项目时,子节点的行为与其他节点不同。
大多数节点,包括根节点,接受任意数量的项目作为输入,处理这些项目,并输出结果。您可以使用表达式引用输入项目,节点会依次为每个项目解析表达式。例如,给定五个 name 值的输入,表达式 {{ $json.name }} 会依次解析为每个名称。
在子节点中,表达式始终解析为第一项。例如,给定五个 name 值的输入,表达式 {{ $json.name }} 始终解析为名字。
节点使用模式
您可以在以下模式中使用 Pinecone Vector Store 节点。
用作常规节点来插入、更新和检索文档
您可以将 Pinecone Vector Store 用作常规节点来插入、更新或获取文档。此模式将 Pinecone Vector Store 放置在常规连接流中,而不使用代理。
您可以在此模板的场景 1 中看到一个示例。
作为工具直接连接到 AI 代理
您可以将 Pinecone Vector Store 节点直接连接到 AI 代理 的工具连接器,以在回答查询时使用矢量存储作为资源。
这里的连接是:AI 代理(工具连接器)-> Pinecone Vector Store 节点。
使用检索器获取文档
您可以将 Vector Store Retriever 节点与 Pinecone Vector Store 节点结合使用,从 Pinecone Vector Store 节点获取文档。这通常与问答链 节点一起使用,以从向量存储中获取与给定聊天输入匹配的文档。
连接流的示例是:Question and Answer Chain(检索器连接器)-> Vector Store Retriever(向量存储连接器)-> Pinecone Vector Store。
使用Vector Store问答工具回答问题
另一种模式使用Vector Store Question Answer Tool 来总结结果并回答来自 Pinecone Vector Store 节点的问题。该模式不是直接将 Pinecone Vector Store 连接为工具,而是使用专门设计来汇总向量存储中的数据的工具。
在本例中,连接流程 如下所示:AI 代理(工具连接器)-> Vector Store 问答工具(Vector Store 连接器)-> Pinecone Vector 存储。
节点参数
操作模式
此矢量存储节点有五种模式:Get Many 得到很多、Insert Documents 插入文档、Retrieve Documents (As Vector Store for Chain/Tool)、Retrieve Documents (As Tool for AI Agent) 检索文档(作为AI代理的工具) 和 Update Documents 更新文件。您选择的模式决定了您可以对节点执行的操作以及可用的输入和输出。
获取许多
在此模式下,您可以通过提供提示从矢量数据库中检索多个文档。该提示将被嵌入并用于相似性搜索。该节点将返回与提示最相似的文档及其相似度分数。如果您想要检索类似文档的列表并将它们作为附加上下文传递给代理,这非常有用。
插入文档
使用插入文档模式将新文档插入到您的向量数据库中。
检索文档(作为链/工具的矢量存储)
使用检索文档(作为链/工具的向量存储)模式与向量存储检索器一起从向量数据库检索文档,并将它们提供给连接到链的检索器。在此模式下,您必须将节点连接到检索器节点或根节点。
检索文档(作为AI代理的工具)
使用检索文档(作为 AI 代理的工具)模式在回答查询时将向量存储用作工具资源。在制定响应时,当向量存储名称和描述与问题详细信息匹配时,代理会使用向量存储。
更新文档
使用更新文档模式通过 ID 更新向量数据库中的文档。在 ID 中填入要更新的嵌入条目的 ID。
对结果重新排序
启用重排序。如果启用此选项,必须将重排序节点(例如 Reranker Cohere)连接到 Vector Store。然后该节点将对查询结果重新排序。您可以将此选项与 Get Many、Retrieve Documents (As Vector Store for Chain/Tool) 和 Retrieve Documents (As Tool for AI Agent) 模式结合使用。
获取多个参数
- Pinecone Index:选择或输入要使用的 Pinecone 索引。
- Prompt 提示:输入您的搜索查询。
- Limit 限制:输入要从向量存储中检索多少结果。例如,将此设置为
10以获得十个最佳结果。
插入文档参数
- Pinecone Index:选择或输入要使用的 Pinecone 索引。
检索文档(作为链/工具的矢量存储)参数
- Pinecone Index:选择或输入要使用的 Pinecone 索引。
检索文档(作为AI代理工具)参数
- Name 名称:向量存储的名称。
- Description 描述:向 LLM 解释此工具的作用。良好、具体的描述允许 LLM 更频繁地产生预期结果。
- Pinecone Index:选择或输入要使用的 Pinecone 索引。
- Limit 限制:输入要从向量存储中检索多少结果。例如,将此设置为
10以获得十个最佳结果。
Update Documents 更新文件 的参数
- ID
节点选项
Pinecone 命名空间
在索引中存储数据的另一种分离选项。
元数据过滤器
在 Get Many 得到很多 模式下可用。搜索数据时,使用它来匹配与文档关联的元数据。
这是一个 AND 查询。如果您指定多个元数据过滤器字段,所有字段都必须匹配。
插入数据时,使用文档加载器设置元数据。有关加载文档的更多信息,请参阅默认数据加载器。
清除命名空间
在 Insert Documents 模式中可用。在插入新数据之前删除命名空间中的所有数据。
模板和示例
浏览 Pinecone Vector Store 节点文档集成模板 或 搜索所有模板
FAQ
如何从 n8n 将文档存储到 Pinecone?
将 Pinecone Vector Store 作为常规节点使用,选择 Insert Documents 操作,并选择你的 Pinecone Index。该节点会将文档作为 vectors 存储到 Pinecone,之后你可以检索它们。
如何检索与查询最相关的文档?
在 Prompt 字段中输入搜索内容,并设置 Limit 来控制返回多少结果,例如 10 表示返回十个最佳匹配。请参阅 Get Many 参数。若要将结果输入到 summarization chain,请将 retriever 与 Question and Answer Chain 节点一起使用。
如何将 vector store 作为工具连接到 AI agent?
将 Pinecone Vector Store 节点连接到 AI agent 的 tool connector,使 agent 在回答时可以查询该 store。请参阅直接作为工具连接到 AI agent。如果要汇总结果而不是返回原始文档,请使用 Vector Store Question Answer Tool。
相关资源
请参考 LangChain 的 Pinecone 文档{:target=_blank .external-link} 获取有关该服务的更多信息。
查看 n8n 的 Advanced AI 高级 AI 文档。
找到您的 Pinecone 索引和命名空间
您的 Pinecone 索引和命名空间在您的 Pinecone 账户中可用。

[^1]:矢量存储或矢量数据库存储信息的数学表示。与嵌入和检索器一起使用来创建一个数据库,您的 AI 在回答问题时可以访问该数据库。 [^2]:AI 链允许您按照组件调用顺序与大型语言模型 (LLM) 和其他资源进行交互。 n8n 中的 AI 链不使用持久内存,因此您不能使用它们来引用以前的上下文(为此使用 AI 代理)。 [^3]:AI 代理是能够响应用户请求、做出决策并执行现实世界任务的人工智能系统。他们使用大型语言模型 (LLM) 来解释用户输入,并就如何利用现有的信息和资源最好地处理请求做出决策。 [^4]:在 AI 环境中,工具是一种附加资源,AI 在响应请求时可以参考该资源来获取特定信息或功能。人工智能模型可以使用工具与外部系统交互或完成特定的、有重点的任务。