把商店、博客和云盘文件同步进 Pinecone 知识库

原文要点

原工作流把 WooCommerce 商品与评价、WordPress 页面文章、Google Drive 文件夹汇入同一 Pinecone 索引。触发方式有手动、每日两个定时（博客凌晨4点、商品5点）、Drive 新文件和 WooCommerce webhook。运行先校验配置再分道处理：按 pinecone_sync_state 数据表挑出新增或变更项、清理已删除内容的旧向量，文本分块后用 OpenAI embedding（默认 text-embedding-3-small、1536 维）写入 Pinecone，并回写同步时间；webhook 会校验 HMAC 签名。模板需付费购买。

这次做成什么

在本站隔离环境里搭一条同构的同步练习流：手动触发一批合成商品和文档，校验配置→比对状态表→删除旧向量→分块生成向量→写入索引→更新状态表，跑通后能照搬到四种触发器。

准备什么

• n8n 云端或自托管实例，并已购买原模板或准备按本站方案自建
• Pinecone 账号及一个 1536 维索引，拿到 index 名称、host、namespace
• OpenAI API Key，可使用 text-embedding-3-small
• 测试用 WooCommerce 店铺、WordPress 站点、Google Drive OAuth2 凭据，全部用隔离测试账号
• Gmail 凭据（仅用于不支持格式的通知，可选）

具体怎么做

1. 建状态表与配置节点

   在 n8n Data Tables 新建表 pinecone_sync_state，列固定为 itemId（文本）、indexedAt（日期时间）、dateModified（日期时间）。再建一个 Settings 节点，填入 WooCommerce 站点 URL 与币种、Pinecone index 名称/host/namespace、embedding 模型与 1536 维度、分块大小上限、每轮处理条数上限、Drive 文件夹 ID、管理员邮箱和 webhook 密钥。模板需付费，未购买时按本站方案自建这些字段，具体节点名以原模板为准。

2. 加校验与分道

   第一个 Function/Code 节点读取 Settings，逐项检查 store URL、index、维度、分块参数及当前触发器必需的值（Drive 触发要文件夹 ID，webhook 要密钥）。任一缺失就把执行路由到 Error 分支并发 Gmail 通知；齐全则按触发来源路由到商品批量、商品 webhook、博客、Drive 四条道之一。

3. 商品批量道：取数与比对

   WooCommerce 节点拉全部已发布商品，与 pinecone_sync_state 按 itemId 比对：dateModified 晚于 indexedAt 或表里没有的才进入处理；店里已无但在表里的 itemId 说明已删除，先调用 Pinecone 按 fileId 删除其全部向量，再删状态行。每个入选商品再拉变体和最新评价拼进正文。

4. 博客与 Drive 道

   博客道用 WordPress REST API 分页盘点已发布页面和文章，变更项再拉全文，消失的条目删向量。Drive 道列目标文件夹，跳过临时文件和未变更文件，按类型抽文本（Docs/Sheets 直接导出，PDF 失败走 OCR，图片走 OpenAI Vision，DOCX/PPTX/TXT 解析），文件夹里消失的文件同样删向量。字段映射：文档 ID→fileId，标题→metadata.title，来源类型→metadata.source。

5. 分块、向量与回写

   每条内容格式化成干净正文加 metadata，先删除 Pinecone 中同 fileId 的旧向量，再按 Settings 的分块上限切分，调 OpenAI embeddings 生成 1536 维向量，批量 upsert 到指定 namespace，最后把该 itemId 的 dateModified 和当前时间 upsert 进 pinecone_sync_state。手动触发跑一轮合成数据验证全链路。

可直接复制的材料

{
  "tableName": "pinecone_sync_state",
  "columns": [
    {"name": "itemId", "type": "string", "comment": "商品ID/文章ID/Drive文件ID，与 Pinecone metadata.fileId 一致"},
    {"name": "indexedAt", "type": "datetime", "comment": "最近一次成功写入向量的时间"},
    {"name": "dateModified", "type": "datetime", "comment": "来源系统记录的最后修改时间"}
  ],
  "settingsNodeRequiredKeys": ["wooBaseUrl", "currency", "pineconeIndex", "pineconeHost", "pineconeNamespace", "embeddingModel", "embeddingDimensions", "chunkMaxChars", "perRunCap", "driveFolderId", "adminEmail", "wooWebhookSecret"]
}

你是 n8n 配置校验器。输入是 Settings 节点的 JSON 和触发器类型 triggerType（manual/drive/webhook/schedule）。规则：1) wooBaseUrl、pineconeIndex、pineconeHost、pineconeNamespace、embeddingModel、embeddingDimensions、chunkMaxChars、perRunCap 必须有非空值；2) embeddingDimensions 必须等于 Pinecone 索引创建时的维度，默认 1536；3) triggerType 为 drive 时 driveFolderId 必填，为 webhook 时 wooWebhookSecret 必填；4) chunkMaxChars 建议在 500-2000 之间。输出 JSON：{"ok": true/false, "missing": [字段名], "route": "商品批量|商品webhook|博客|Drive|error"}。只输出 JSON。

itemId,title,description,dateModified,status
woo-1001,极简帆布托特包,"14安帆布，内袋拉链，承重8kg",2026-10-05T09:00:00Z,publish
woo-1002,冷萃咖啡玻璃瓶,"500ml 高硼硅，附不锈钢滤网",2026-10-06T14:30:00Z,publish
woo-1003,旧款手机壳,"已下架商品，用于测试删除向量",2026-09-01T08:00:00Z,draft

输入与输出示例

本站虚构演示，未实际运行，非原作者结果。

输入

触发方式选手动，pinecone_sync_state 中已有 woo-1001（indexedAt=2026-10-06T00:00:00Z, dateModified=2026-10-05T09:00:00Z）和 woo-1003 的记录，商店里 woo-1003 已改 draft，woo-1002 是新商品。

对应输出

校验通过→路由商品批量。比对结果：woo-1001 未变更跳过；woo-1003 已下架，删除 Pinecone 中 fileId=woo-1003 的全部向量并删状态行；woo-1002 新增，正文分 2 块生成 1536 维向量写入 namespace，状态表新增一行 {itemId: woo-1002, dateModified: 2026-10-06T14:30:00Z, indexedAt: 2026-10-07T05:00:11Z}。

做完检查这些

• pinecone_sync_state 建好后能看到 itemId、indexedAt、dateModified 三列且类型正确
• 缺少任一必填配置时执行走 error 分支并发出 Gmail 通知，不会写向量
• woo-1003 这类下架项的向量被删除且状态行同步删除
• woo-1002 这类新商品写入后，用 Pinecone 控制台按 fileId 过滤能查到对应分块
• 第二轮手动运行时未变更项被跳过，没有重复写入

容易卡住的地方

• 索引维度必须与 embeddingDimensions 一致，默认 1536，建错维度只能重建索引
• Drive 触发器监听的文件夹 ID 要与 Settings 里的一致，否则两条逻辑各看各的
• WooCommerce webhook 需指向生产 webhook 地址（以 /webhook/woo-product-events 结尾）且校验 HMAC，测试地址收不到签名事件
• 原模板为付费模板，本站步骤是自建方案，节点命名与默认值以购买后的原模板为准
• OpenAI embedding 与 Pinecone 存储均按用量计费，先用合成小数据跑通