Milvus 向量資料庫完整指南

Sun, 19 Apr 2026 00:00:00 +0000

專案簡介

Milvus 是一個開源的向量資料庫，專為儲存、索引和搜尋大規模向量資料設計。支援十億級向量的毫秒級搜尋，是建構 RAG、語義搜尋、推薦系統的首選方案。

GitHub Stars: 42K+

主要功能

高效能 - 十億級向量毫秒搜尋
多索引 - IVF、HNSW、ANNOY 等
標量過濾 - 結合向量和屬性搜尋
分散式架構 - 水平擴展
雲原生 - Kubernetes 部署

快速部署

Docker Compose（Standalone）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46


version: '3.8'
services:
 etcd:
 image: quay.io/coreos/etcd:v3.5.5
 environment:
 - ETCD_AUTO_COMPACTION_MODE=revision
 - ETCD_AUTO_COMPACTION_RETENTION=1000
 - ETCD_QUOTA_BACKEND_BYTES=4294967296
 - ETCD_SNAPSHOT_COUNT=50000
 volumes:
 - etcd-data:/etcd
 command: etcd -advertise-client-urls=http://127.0.0.1:2379 -listen-client-urls http://0.0.0.0:2379 --data-dir /etcd

 minio:
 image: minio/minio:RELEASE.2023-03-20T20-16-18Z
 environment:
 MINIO_ACCESS_KEY: minioadmin
 MINIO_SECRET_KEY: minioadmin
 volumes:
 - minio-data:/minio_data
 command: minio server /minio_data
 healthcheck:
 test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"]
 interval: 30s
 timeout: 20s
 retries: 3

 milvus:
 image: milvusdb/milvus:v2.4-latest
 command: ["milvus", "run", "standalone"]
 environment:
 ETCD_ENDPOINTS: etcd:2379
 MINIO_ADDRESS: minio:9000
 volumes:
 - milvus-data:/var/lib/milvus
 ports:
 - "19530:19530"
 - "9091:9091"
 depends_on:
 - etcd
 - minio

volumes:
 etcd-data:
 minio-data:
 milvus-data:

Milvus Lite（開發用）

1
2
3
4


from pymilvus import MilvusClient

# 使用本地檔案
client = MilvusClient("milvus_demo.db")

Python SDK

安裝

1

pip install pymilvus

連線

1
2
3
4
5
6
7


from pymilvus import connections, Collection

connections.connect(
 alias="default",
 host="localhost",
 port="19530"
)

建立 Collection

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21


from pymilvus import CollectionSchema, FieldSchema, DataType

# 定義 Schema
fields = [
 FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
 FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=1000),
 FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=768)
]

schema = CollectionSchema(fields, description="Document embeddings")

# 建立 Collection
collection = Collection(name="documents", schema=schema)

# 建立索引
index_params = {
 "metric_type": "COSINE",
 "index_type": "IVF_FLAT",
 "params": {"nlist": 1024}
}
collection.create_index(field_name="embedding", index_params=index_params)

插入資料

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27


from sentence_transformers import SentenceTransformer

# 載入 Embedding 模型
model = SentenceTransformer('all-MiniLM-L6-v2')

# 準備資料
texts = [
 "Kubernetes 是容器編排平台",
 "Docker 是容器化技術",
 "Terraform 是基礎設施即程式碼工具"
]

embeddings = model.encode(texts).tolist()

# 插入
data = [
 texts,
 embeddings
]

collection.insert([
 {"text": text, "embedding": emb}
 for text, emb in zip(texts, embeddings)
])

# 載入到記憶體
collection.load()

向量搜尋

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16


# 查詢向量
query_text = "什麼是容器技術？"
query_embedding = model.encode(query_text).tolist()

# 搜尋
results = collection.search(
 data=[query_embedding],
 anns_field="embedding",
 param={"metric_type": "COSINE", "params": {"nprobe": 10}},
 limit=5,
 output_fields=["text"]
)

for hits in results:
 for hit in hits:
 print(f"Score: {hit.score}, Text: {hit.entity.get('text')}")

標量過濾

1
2
3
4
5
6
7
8
9


# 結合向量搜尋和過濾
results = collection.search(
 data=[query_embedding],
 anns_field="embedding",
 param={"metric_type": "COSINE"},
 limit=5,
 expr="category == 'cloud'",
 output_fields=["text", "category"]
)

索引類型

索引類型	適用場景	特點
IVF_FLAT	中等規模	精確度高
IVF_SQ8	大規模	節省記憶體
IVF_PQ	超大規模	壓縮向量
HNSW	低延遲	速度快
ANNOY	靜態資料	磁碟索引

HNSW 索引

1
2
3
4
5
6
7
8
9


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

RAG 應用

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36


from pymilvus import MilvusClient
from openai import OpenAI

# 初始化客戶端
milvus = MilvusClient("milvus.db")
openai = OpenAI()

def rag_query(question: str) -> str:
 # 生成 Embedding
 response = openai.embeddings.create(
 model="text-embedding-3-small",
 input=question
 )
 query_embedding = response.data[0].embedding

 # 向量搜尋
 results = milvus.search(
 collection_name="documents",
 data=[query_embedding],
 limit=3,
 output_fields=["text"]
 )

 # 組合上下文
 context = "\n".join([hit["entity"]["text"] for hit in results[0]])

 # 生成回答
 completion = openai.chat.completions.create(
 model="gpt-4o",
 messages=[
 {"role": "system", "content": f"根據以下內容回答問題：\n{context}"},
 {"role": "user", "content": question}
 ]
 )

 return completion.choices[0].message.content

LangChain 整合

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


from langchain_community.vectorstores import Milvus
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

# 建立向量儲存
vectorstore = Milvus.from_documents(
 documents,
 embeddings,
 connection_args={"host": "localhost", "port": "19530"},
 collection_name="langchain_docs"
)

# 相似度搜尋
docs = vectorstore.similarity_search("什麼是 Kubernetes？", k=3)

milvus on Astroicers Blog

Milvus 向量資料庫完整指南

專案簡介

主要功能

快速部署

Docker Compose（Standalone）

Milvus Lite（開發用）

Python SDK

安裝

連線

建立 Collection

插入資料

向量搜尋

標量過濾

索引類型

HNSW 索引

RAG 應用

LangChain 整合

相關連結

延伸閱讀