Pinecone发布Nexus公测版，为AI智能体提供企业知识支撑

作为一家提供全托管向量数据库的AI基础设施公司，Pinecone Systems于近日正式推出Pinecone Nexus公测版。这一产品的核心定位是为AI智能体整合并分发企业知识，帮助其更准确、更高效地完成复杂任务。

智能体时代已经到来，而其运转的基础正是数据。数据以何种方式传递给AI智能体，正在成为决定答案准确与否的关键管道。如何将原始信息加工、封装，并以AI能够理解的方式呈送出去，成为业界持续攻克的核心命题。

对于人类员工而言，整合多来源数据并非难事。他们凭借多年积累的"机构记忆"，清楚地知道该去哪里查找Wiki文档、人力资源档案、会议记录、支持工单还是财务数据。然而，AI智能体并不具备这种能力。每一次调用，它都需要依赖框架、图谱和知识体系，来重建那种"我不知道答案，但我知道去哪儿找"的认知能力。

Pinecone Nexus的设计正是为了解决这一痛点：它为AI智能体提供结构化的知识访问能力，使其能够同时跨越数十个文件进行推理，而不仅仅是抓取零散的文本片段。

Nexus带来了什么

AI智能体要运转，首先需要获取数据。Nexus为此提供了数据连接器，支持从多个来源检索和导入内容。当前已上线的接入方式包括本地文件上传、Box和Microsoft OneLake，而Google Drive、Slack、GitHub、Notion、Confluence和S3等连接器也已在开发计划中，即将推出。

工程团队在搭建AI智能体时，可在名为"工作区"（Workspace）的项目容器中进行操作。工作区将数据组织为"上下文"（Contexts），将数据定义为知识集合或领域模块。各团队可自行构建工作区，并以此维护专属于各自AI智能体的认知知识库。

这些数据会经由Nexus的知识整理层进行处理，该层通过名为"清单"（Manifests）的模板，将原始文档转化为与其内容相匹配的知识制品。

从本质上看，Nexus构建了一套框架，向AI智能体阐明"在哪里找什么"的底层逻辑——就像一位在公司工作超过三年的员工，清楚地知道要查询并购数据该去哪份财务档案，或者最新的网站业务逻辑存放在哪里。

这与提示词工程有所不同。在提示词工程中，用户或工程师需要在每次查询时手动告知智能体去哪里寻找信息；而Manifests则让智能体在知识整理阶段就已了解信息的存放位置。这一机制将领域专家纳入信息分类流程，确保信息在AI智能体需要时处于可用状态。

在基准测试中，Pinecone表示Nexus展现出高性能与高准确率。

"我们可以轻松搭建向量数据库，并在文档库上运行RAG（检索增强生成）及智能体搜索。"Q2 Holdings首席数据科学家Jesse Barbour表示，该公司是一家总部位于奥斯汀的金融科技解决方案公司，"真正的难题在于，如何让智能体在面对真正复杂的问题时，可靠且高效地组装出正确的知识。"

Barbour指出，Nexus在处理复杂支持问题时准确率达到95%，同时保持了较低的Token消耗成本。随着AI推理价格持续上涨，这一点使其成为极具吸引力的知识层方案。

另一项测试来自一家未具名的数据保护与安全厂商。该厂商使用Nexus处理了一批覆盖面广泛的文档，其中包括市政会议记录——这意味着用户的提问可能跨越多个文档和片段。

测试结果显示，将598份文档整理为12种结构化制品类型，总成本仅为2.31美元，耗时34分钟。后续查询的准确率约为90%，而行业标准RAG管道的基线准确率仅为65%。

Q&A

Q1：Pinecone Nexus是什么？主要解决什么问题？

A：Pinecone Nexus是由Pinecone Systems推出的企业知识整合产品，当前处于公测阶段。它的核心作用是为AI智能体提供结构化的知识访问能力，解决AI智能体不知道"去哪里找信息"的问题。通过连接器、工作区、上下文和清单模板等机制，Nexus能将企业散落在各处的文档整理成AI可用的知识制品，使智能体在面对复杂问题时也能准确调取相关信息。

Q2：Pinecone Nexus支持接入哪些数据源？

A：目前Nexus已支持本地文件上传、Box和Microsoft OneLake三种数据接入方式。此外，Google Drive、Slack、GitHub、Notion、Confluence和Amazon S3等主流平台的连接器正在开发中，即将陆续上线。这些集成将帮助企业将分散在不同系统中的信息统一纳入AI智能体的知识库。

Q3：Pinecone Nexus的实际表现如何？有没有具体数据？

A：根据Pinecone公布的测试数据，在金融科技公司Q2 Holdings的应用场景中，Nexus处理复杂支持问题的准确率达到95%，并有效控制了Token使用成本。另一项来自数据安全厂商的测试显示，Nexus对598份文档的整理成本仅为2.31美元，耗时34分钟，后续查询准确率约为90%，显著高于行业标准RAG管道65%的基线水平。