企业官网建设流程全解析

Milvus 2.x 入门实战：从安装到第一次相似度查询 🚀

🔥本文是《向量数据库实战：选型、调优与落地》专栏第 06 篇

⏱️阅读时间：约 15 分钟

🎯 开篇：为什么选 Milvus 作为第一个实战？

在六大向量数据库中，我选择Milvus作为第一个实战对象，原因很简单 👇

一句话：学向量数据库，从 Milvus 开始，性价比最高🎯

🛠️ 环境搭建

方式一：Docker Compose（推荐新手）

# 下载 docker-compose 文件wgethttps://github.com/milvus-io/milvus/releases/download/v2.4.17/milvus-standalone-docker-compose.yml-Odocker-compose.yml# 启动dockercompose up-d# 查看状态dockercomposeps

启动后的组件：

┌─────────────────────────────────────────────────────┐ │ Milvus Standalone 架构 │ ├─────────────────────────────────────────────────────┤ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ Milvus │◄──►│ etcd │ │ MinIO │ │ │ │ Server │ │ (元数据) │ │ (对象存储)│ │ │ │ :19530 │ │ :2379 │ │ :9000 │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ │ │ gRPC │ │ ▼ │ │ ┌──────────┐ │ │ │ Attu │ ← Web 管理界面（可选） │ │ │ :8000 │ │ │ └──────────┘ │ │ │ └─────────────────────────────────────────────────────┘

方式二：Python SDK 安装

# 安装 PyMilvuspipinstallpymilvus>=2.4.0# 验证安装python-c"import pymilvus; print(pymilvus.__version__)"

📝 第一次完整实战

Step 1：连接 Milvus

frompymilvusimportconnections,utility# 连接 Milvusconnections.connect(alias="default",host="localhost",port="19530")# 检查连接状态print(f"Milvus 版本:{utility.get_server_version()}")# 输出: Milvus 版本: 2.4.x

Step 2：创建集合（Collection）

frompymilvusimportCollectionSchema,FieldSchema,DataType# 定义字段# 1. 主键字段id_field=FieldSchema(name="id",dtype=DataType.INT64,is_primary=True,# 主键auto_id=True# 自动生成 ID)# 2. 文本字段（存储原始文本）text_field=FieldSchema(name="text",dtype=DataType.VARCHAR,max_length=65535# 最大长度)# 3. 向量字段（存储 embedding）vector_field=FieldSchema(name="embedding",dtype=DataType.FLOAT_VECTOR,dim=1024# 向量维度，要和嵌入模型匹配)# 创建 Schemaschema=CollectionSchema(fields=[id_field,text_field,vector_field],description="知识库文档集合")# 创建 CollectionfrompymilvusimportCollection collection=Collection(name="knowledge_base",schema=schema,consistency_level="Strong"# 一致性级别)

集合结构可视化：

┌─────────────────────────────────────────────────┐ │ Collection: knowledge_base │ ├────────┬──────────────────┬─────────────────────┤ │ id │ text │ embedding │ │ (PK) │ (VARCHAR) │ (FLOAT_VECTOR) │ ├────────┼──────────────────┼─────────────────────┤ │ 1 │ "向量数据库..." │ [0.12, -0.34, ...] │ │ 2 │ "HNSW索引..." │ [0.56, 0.78, ...] │ │ 3 │ "RAG检索..." │ [0.23, 0.45, ...] │ │ ... │ ... │ ... │ └────────┴──────────────────┴─────────────────────┘

Step 3：创建索引

# 创建 HNSW 索引index_params={"index_type":"HNSW","metric_type":"COSINE","params":{"M":16,"efConstruction":256}}collection.create_index(field_name="embedding",index_params=index_params)

Step 4：插入数据

importnumpyasnp# 模拟数据（实际项目中这里调用 Embedding 模型）texts=["向量数据库是一种专门用于存储和检索高维向量的数据库系统","HNSW 是一种基于图的近似最近邻搜索算法","RAG 技术通过检索增强生成来提升大模型的回答质量","Milvus 是全球最流行的开源向量数据库","余弦相似度是衡量两个向量方向相似程度的指标",]# 模拟 embedding（实际中应调用嵌入模型）embeddings=np.random.rand(5,1024).tolist()# 插入数据data=[texts,# text 字段embeddings# embedding 字段]result=collection.insert(data)print(f"插入成功，插入条数:{result.insert_count}")# 输出: 插入成功，插入条数: 5

Step 5：加载集合 & 查询

# 加载集合到内存（必须！Milvus 查询前需要 load）collection.load()# 准备查询向量query_text="什么是向量数据库？"query_embedding=np.random.rand(1,1024).tolist()# 模拟查询向量# 执行搜索search_params={"metric_type":"COSINE","params":{"ef":128}}results=collection.search(data=query_embedding,anns_field="embedding",param=search_params,limit=3,# 返回 Top-3output_fields=["text"],# 返回原始文本consistency_level="Strong")# 打印结果forhitsinresults:forhitinhits:print(f"ID:{hit.id}, 距离:{hit.distance:.4f}, 文本:{hit.entity.get('text')}")

输出示例：

ID: 1, 距离: 0.8523, 文本: 向量数据库是一种专门用于存储和检索高维向量的数据库系统 ID: 4, 距离: 0.7891, 文本: Milvus 是全球最流行的开源向量数据库 ID: 3, 距离: 0.6234, 文本: RAG 技术通过检索增强生成来提升大模型的回答质量

📊 Milvus 核心概念速查

⚙️ 一致性级别详解

Milvus 提供了4 种一致性级别，这是一个很多人忽略的重要配置：

# 推荐：大多数场景用 Bounded 就够了collection.search(...,consistency_level="Bounded"# 性能最优的选择)

🔧 Attu：可视化管理工具

强烈推荐安装 Attu——Milvus 的 Web 管理界面 👇

# Docker 安装 Attudockerrun-d--nameattu\--attachable\--networkmilvus\-p8000:3000\-eMILVUS_URL=milvus:19530\zilliz/attu:latest

Attu 能做什么：

⚠️ 新手常见坑

坑 1：忘记 load 就查询

# ❌ 错误：直接查询results=collection.search(...)# 报错！# ✅ 正确：先 loadcollection.load()results=collection.search(...)

坑 2：向量维度不匹配

# ❌ 错误：集合定义 1024 维，插入 768 维collection.insert([texts,wrong_dim_embeddings])# 报错！# ✅ 正确：确保维度一致# 集合定义 dim=1024，嵌入模型输出也必须是 1024 维

坑 3：不创建索引就查询

# ❌ 错误：不建索引就查询（走暴力搜索，极慢）results=collection.search(...)# ✅ 正确：先建索引collection.create_index("embedding",index_params)collection.load()results=collection.search(...)

🔑 本篇核心要点回顾

✍️ 写在最后

Milvus 的上手其实很简单——10 行代码就能完成第一次向量查询。

但"能用"和"用好"之间，还隔着索引调优、分布式部署、性能监控等很多功课。

接下来的几篇，我们会继续实战其他向量数据库（Qdrant、Chroma、FAISS、Weaviate），最后来一个六大数据库横评，帮你做出最适合你项目的选择 🎯

📌下篇预告：《Qdrant 实战：Rust 写的向量数据库到底有多快？⚡》

💬有问题欢迎评论区讨论，觉得有用请点赞收藏 👍

作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。

👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为)。
🔔 关注专栏，不错过后续精彩内容