Milvus
→ 返回 向量数据库
Milvus 是开源的分布式向量数据库，专为海量向量的高性能相似度搜索设计，是 RAG、推荐系统、图像搜索等 AI 应用的主流选择。
核心概念
概念 类比关系型数据库 说明 Collection 表 存储向量和元数据的基本单元 Field 列 支持向量字段和标量字段 Entity 行 一条数据记录 Index 索引 加速向量搜索的数据结构 Partition 分区 Collection 的逻辑划分
部署方式
模式 适用场景 Milvus Lite 本地开发，pip 安装即用 Standalone 单机生产，依赖 etcd + MinIO Cluster 分布式生产，各组件独立扩缩容
# Milvus Lite（开发） pip install pymilvus
# Standalone（Docker Compose） docker compose up -d 向量索引类型
索引 说明 适用场景 FLAT 暴力搜索，精确 数据量 < 100w，要求精确召回 IVF_FLAT 倒排分桶加速 中等规模，平衡精度与速度 IVF_SQ8 IVF + 标量量化压缩 内存敏感场景 HNSW 层级图结构，搜索极快 高 QPS 低延迟，最常用 DISKANN 磁盘索引 超大规模（数十亿向量）
距离度量
度量 说明 适用场景 L2（欧氏距离） 值越小越相似 图像、音频特征向量 IP（内积） 值越大越相似 已归一化的文本 Embedding COSINE（余弦相似度） 值越大越相似 文本语义搜索（推荐）
Python SDK 示例
创建 Collection
from pymilvus import MilvusClient, DataType
client = MilvusClient( uri = "http://localhost:19530" )
schema = MilvusClient.create_schema( auto_id = True , enable_dynamic_field = True ) schema.add_field( "id" , DataType. INT64 , is_primary = True ) schema.add_field( "embedding" , DataType. FLOAT_VECTOR , dim = 1536 ) schema.add_field( "content" , DataType. VARCHAR , max_length = 2000 ) schema.add_field( "source" , DataType. VARCHAR , max_length = 200 )
index_params = client.prepare_index_params() index_params.add_index( field_name = "embedding" , index_type = "HNSW" , metric_type = "COSINE" , params = { "M" : 16 , "efConstruction" : 200 } )
client.create_collection( collection_name = "documents" , schema = schema, index_params = index_params ) 写入向量
data = [ { "embedding" : get_embedding(chunk), "content" : chunk, "source" : "doc_001" } for chunk in text_chunks ] client.insert( collection_name = "documents" , data = data) 相似度搜索
query_vec = get_embedding( "什么是向量数据库？" )
results = client.search( collection_name = "documents" , data = [query_vec], limit = 5 , output_fields = [ "content" , "source" ], search_params = { "ef" : 100 } )
for hit in results[ 0 ]: print ( f "距离: { hit[ 'distance' ] :.4f } 内容: { hit[ 'entity' ][ 'content' ] } " ) 混合搜索（向量 + 标量过滤）
results = client.search( collection_name = "documents" , data = [query_vec], filter = "source == 'doc_001'" , limit = 5 , output_fields = [ "content" , "source" ] ) RAG 集成模式
用户问题
→ 生成 Query Embedding
→ Milvus 向量搜索 Top-K 文档块
→ 组装 Prompt（问题 + 文档块）
→ LLM 生成回答
Spring Boot 集成（Spring AI）
< dependency > < groupId >org.springframework.ai</ groupId > < artifactId >spring-ai-milvus-store-spring-boot-starter</ artifactId > </ dependency > spring : ai : vectorstore : milvus : client : host : localhost port : 19530 collection-name : documents embedding-dimension : 1536 index-type : HNSW metric-type : COSINE @ Service @ RequiredArgsConstructor public class RagService {
private final VectorStore vectorStore;
public void ingest (List< Document > docs ) { vectorStore. add (docs); }
public List< Document > search (String question ) { return vectorStore. similaritySearch ( SearchRequest. query (question). withTopK ( 5 ) ); } } 相关