7 月 22 日，Pinecone 正式发布 Nexus 知识引擎。它将企业分散在合同、工单、会议纪要中的业务上下文，一次性规整为智能体可直接查询的结构化数据层——把原本每次查询都要跑的检索循环，前置到一次性的数据摄入阶段。
Pinecone 给出的判断很直接：大语言模型擅长处理通用知识，向量数据库也擅长定位散落在文件中的特定信息，但企业真正依赖的是业务场景信息——合同、内部知识库、人事文档、会议纪要、客服工单、财务记录。
问题在于，智能体每次执行任务时都进行检索，效率极低：
词元成本随查询次数线性增长；响应慢；多源信息综合时容易缺失，跨案例推理与覆盖性问题难以胜任。
词元成本从检索循环中移出，仅在数据规整阶段产生一次；智能体直接查询已结构化的业务上下文层。
本质上是把反复发生的检索成本，前置摊销到一次性的数据摄入阶段。
Pinecone 报告称，早期采用者已在金融服务和法律研究领域看到显著提升。其中法律领域的任务完成率对比最为直观：
注：柱形按完成率百分比绘制，零起点。RAG 系统在"学说综合、跨案例推理、覆盖性问题"上明显吃力——这些任务需要将多个来源的信息整合成一个答案。
企业数据管理场景：准确率 90%（RAG 为 65%），每份文档整理成本 0.0038 美元。
Nexus 以工作空间为顶级容器，通常对应某个团队或业务部门。数据按上下文划分，每个上下文集对应一个特定的数据集或知识领域。
关键机制是清单——它定义原始数据源的摄取方式，以及原始数据转换为结构化知识的规则。领域专家可以预先设计蓝图，定义各类资料实体及其关联关系：
这意味着业务知识在查询之前就已经固化进数据层——智能体无需在查询阶段自行梳理语料库结构，直接沿用专家对业务数据的梳理逻辑。
数据源连接器：
已上线连接器为实色，虚线边框为即将支持。数据完成摄取与规整后，通过 KnowQL 查询，智能体、聊天机器人、推荐系统均可调用。
来源立场提示：本文核心数据（任务完成率 100%、词元降至 1/15、准确率 90%）均来自 Pinecone 官方披露与早期采用者报告，属单方发布数据，目前未见独立第三方复测。读者宜带以下背景理解：Pinecone 本身是向量数据库厂商，Nexus 是其向"知识引擎"升级的核心产品，发布期数据天然偏向正面呈现。法律与金融两个标杆场景的对比基线（RAG 66%、编码智能体 6%）的具体任务集与评测口径，官方尚未全量开源，建议等待社区复现。
怎么读这个产品：Nexus 的真正卖点不是"比 RAG 准"，而是把检索成本从查询侧搬到摄入侧——这是一次工程范式取舍，用一次性的领域专家劳动，换反复查询的词元与延迟。同类竞品已有 Cognite、RationalAI、LlamaIndex 等，赛道正在拥挤。
Pinecone Nexus 已全面上线，提供预览体验区与 BYOC 自带云部署选项（适用于数据驻留、安全与合规有强制要求的环境）。
pinecone.io/nexus → 预览体验区