一、什么是 Milvus？
Milvus 是一款开源的向量数据库，用于存储、管理和检索高维向量数据。它适合构建各种 AI 场景下的向量检索系统，如推荐、图像搜索、问答系统等。
概念关系图（逻辑结构）
1Milvus数据库
2├── Collection集合
3│ ├── Partition分区
4│ │ └── Entity实体
5│ │ └── Fields字段（向量 + 元数据）
6│ ├── Schema结构
7│ └── Index索引
8├── 查询操作（Search / Query）
9└── 数据一致性机制
二、Milvus 核心概念速查表
实体 Entity 示例
1{
2 "id": 1,
3 "embedding": [0.1, 0.2, 0.3, ...],
4 "title": "iPhone",
5 "price": 999.0
6}
三、核心操作流程
四、一致性模型与数据安全保障
Milvus 提供以下一致性保证：
五、索引类型选择指南
六、进阶知识点补充
七、实战：使用 Python SDK 完整示例（基于 Milvus 2.x）
环境准备
1pip install pymilvus
初始化连接
1from pymilvus import connections
2connections.connect(alias="default", host="localhost", port="19530")
创建 Collection
1from pymilvus import FieldSchema, CollectionSchema, DataType, Collection
2fields = [
3 FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
4 FieldSchema(name="title", dtype=DataType.VARCHAR, max_length=200),
5 FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128)
6]
7schema = CollectionSchema(fields, description="商品向量集合")
8collection = Collection(name="product_vectors", schema=schema)
插入数据
1import numpy as np
2titles = ["iPhone", "MacBook", "AirPods"]
3vectors = [np.random.rand(128).tolist() for _ in range(3)]
4collection.insert([titles, vectors])
5collection.flush()
创建索引 & 加载数据
1index_params = {
2 "index_type": "IVF_FLAT",
3 "metric_type": "L2",
4 "params": {"nlist": 128}
5}
6collection.create_index(field_name="embedding", index_params=index_params)
7collection.load()
向量搜索 + 条件过滤（Hybrid Search）
1query_vector = [np.random.rand(128).tolist()]
2search_params = {"metric_type": "L2", "params": {"nprobe": 10}}
3results = collection.search(
4 data=query_vector,
5 anns_field="embedding",
6 param=search_params,
7 limit=5,
8 expr="title like 'Mac%'"
9)
10for hits in results:
11 for hit in hits:
12 print(f"id: {hit.id}, distance: {hit.distance}")
八、常见踩坑提醒
九、真实应用场景参考：电商推荐系统
十、快速上手建议
✅ 推荐
- 从创建 Collection 开始，理解字段与向量的对应关系
- 一步步插入数据、构建索引、执行搜索
- 多关注向量维度、索引类型和内存管理
❌ 避免
- 向量维度不统一
- 未加载数据就开始搜索