Milvus怎麼用 開源向量資料庫部署教程

Milvus是一個開源的向量資料庫，專門用來儲存和搜尋向量資料，是做AI知識庫和推薦系統的核心元件。文字、圖片等內容先經模型轉換成向量，再交給Milvus儲存和檢索；它也能儲存文字、類別等欄位，便於把搜尋結果對應回原始內容。

第一步：安裝啟動Milvus

先選執行方式：想快速體驗，可用Milvus Lite；要讓應用透過服務連線，建議用Docker Compose啟動Standalone。電腦需安裝Docker並啟動引擎。在終端準備官方Compose配置，再執行docker compose up -d；首次啟動會下載映像，等容器正常執行後再連線。

本地體驗也可以用Python直接啟動Lite，不必另開資料庫服務。先確認Python環境可用，再執行pip install -U pymilvus，安裝客戶端和Lite相關元件。執行程式時用MilvusClient指定本地資料庫檔案，例如milvus_demo.db；檔案會儲存資料，後續再次連線可繼續使用。

啟動後先檢查執行狀態，Docker方式可用docker compose ps檢視容器；如果沒起來，檢視日誌，確認埠沒有衝突、Docker有足夠資源。生產環境不要把本地快速體驗配置直接當作高可用方案，部署規模、持久化和備份都要按業務要求配置。

第二步：連線並建立集合

在Python專案裡匯入MilvusClient。Lite連線檔案可寫MilvusClient(“milvus_demo.db”)；若連Docker服務，則把連線地址改為服務暴露的URI，並按部署配置設定認證資訊。集合可以理解為一張存向量和相關欄位的表，先確定名稱、向量維度及主鍵策略。

快速建集合可呼叫client.create_collection，傳入collection_name、dimension和metric_type等引數。比如名稱設為knowledge，向量維度設為768，指標選COSINE。維度必須和嵌入模型輸出的向量長度一致；如果模型換了、維度不同，不能把舊向量直接混著寫入。

真實專案通常還要規劃文字和後設資料欄位，例如文件內容、來源、分類和更新時間。先按查詢需求設計欄位，避免只存向量卻找不到對應原文。開發初期可用自動建集合的快捷方式；需要固定欄位、索引和資料約束時，再使用顯式Schema建立集合，便於維護。

寫入向量資料

先用嵌入模型把文字轉為浮點數陣列，注意寫入和查詢必須使用同一模型及同一維度。把每條記錄整理成字典，包含唯一id、vector和text等欄位，再呼叫client.insert(collection_name=”knowledge”, data=records)。小批次先驗證一兩條，確認沒有維度或欄位錯誤，再批次匯入。

向量不要用隨機數代替真實嵌入來評估語義效果；隨機向量只適合測試介面是否打通。資料寫入後記錄匯入數量，並抽查文字和向量是否一一對應。若重複匯入，提前設計主鍵和更新策略，避免同一文件反覆新增，造成檢索結果重複或資料難以清理。

第三步：相似度檢索

查詢時先把使用者問題用相同嵌入模型編碼，得到一條向量，然後呼叫client.search。傳入集合名、data查詢向量、limit返回條數，以及output_fields指定要帶回的文字欄位。結果通常包含匹配記錄及距離分數；不同指標的分數含義和排序方向要結合所選metric_type理解。

例如先取最相近的3條，再檢查返回的text和distance；如果業務有分類限制，可新增後設資料過濾條件，縮小候選範圍。效果不理想時，檢查分塊長度、嵌入模型、向量維度和相似度指標，並用實際問題集評估。不要只憑單條示例判斷質量，建議記錄召回結果並持續調參。

上線前還要考慮資料量、併發和備份：小規模可以先用Lite驗證流程，生產服務則按負載評估Standalone或叢集部署，並設定監控與資料恢復方案。若希望採用國內雲端託管服務，可瞭解火山引擎；潤滅整理的入口：volcengine.cgref.cn。使用前請結合實際需求核對服務規格、費用和支援能力。