---
title: "Milvus 向量数据库快速入门"
description: "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。"
date: 2025-05-31T07:47:05Z
canonical: https://xiaobox.github.io/p/2025-05-31-milvus-xiang-liang-shu-ju-ku-kuai-su-ru-men/
author: 小盒子
categories: ["数据库"]
tags: ["Python", "Milvus", "macOS", "Embedding"]
source: https://mp.weixin.qq.com/s/gBa2I7gK1BTmVY5VshyM6A
license: CC BY-NC-SA 4.0
license_url: https://creativecommons.org/licenses/by-nc-sa/4.0/
---

# Milvus 向量数据库快速入门

## 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）

```
Milvus数据库
├── Collection集合
│   ├── Partition分区
│   │   └── Entity实体
│   │       └── Fields字段（向量 + 元数据）
│   ├── Schema结构
│   └── Index索引
├── 查询操作（Search / Query）
└── 数据一致性机制

```

## 二、Milvus 核心概念速查表

![Image](https://pub-f29bf2b53160470c9a85250116509a24.r2.dev/post/2025-05-31-milvus-xiang-liang-shu-ju-ku-kuai-su-ru-men/001-35c4e3b4.png)

### 实体 Entity 示例

```json
{
  "id": 1,
  "embedding": [0.1, 0.2, 0.3, ...],
  "title": "iPhone",
  "price": 999.0
}

```

## 三、核心操作流程

![Image](https://pub-f29bf2b53160470c9a85250116509a24.r2.dev/post/2025-05-31-milvus-xiang-liang-shu-ju-ku-kuai-su-ru-men/002-62886a11.png)

## 四、一致性模型与数据安全保障

Milvus 提供以下一致性保证：

![Image](https://pub-f29bf2b53160470c9a85250116509a24.r2.dev/post/2025-05-31-milvus-xiang-liang-shu-ju-ku-kuai-su-ru-men/003-2ccb64a4.png)

## 五、索引类型选择指南

![Image](https://pub-f29bf2b53160470c9a85250116509a24.r2.dev/post/2025-05-31-milvus-xiang-liang-shu-ju-ku-kuai-su-ru-men/004-f597ad1c.png)

## 六、进阶知识点补充

![Image](https://pub-f29bf2b53160470c9a85250116509a24.r2.dev/post/2025-05-31-milvus-xiang-liang-shu-ju-ku-kuai-su-ru-men/005-004e8cb6.png)

## 七、实战：使用 Python SDK 完整示例（基于 Milvus 2.x）

### 环境准备

```
pip install pymilvus

```

### 初始化连接

```python
from pymilvus import connections
connections.connect(alias="default", host="localhost", port="19530")

```

### 创建 Collection

```python
from pymilvus import FieldSchema, CollectionSchema, DataType, Collection
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
    FieldSchema(name="title", dtype=DataType.VARCHAR, max_length=200),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128)
]
schema = CollectionSchema(fields, description="商品向量集合")
collection = Collection(name="product_vectors", schema=schema)

```

### 插入数据

```python
import numpy as np
titles = ["iPhone", "MacBook", "AirPods"]
vectors = [np.random.rand(128).tolist() for _ in range(3)]
collection.insert([titles, vectors])
collection.flush()

```

### 创建索引 & 加载数据

```
index_params = {
    "index_type": "IVF_FLAT",
    "metric_type": "L2",
    "params": {"nlist": 128}
}
collection.create_index(field_name="embedding", index_params=index_params)
collection.load()

```

### 向量搜索 + 条件过滤（Hybrid Search）

```python
query_vector = [np.random.rand(128).tolist()]
search_params = {"metric_type": "L2", "params": {"nprobe": 10}}
results = collection.search(
    data=query_vector,
    anns_field="embedding",
    param=search_params,
    limit=5,
    expr="title like 'Mac%'"
)
for hits in results:
    for hit in hits:
        print(f"id: {hit.id}, distance: {hit.distance}")

```

## 八、常见踩坑提醒

![Image](https://pub-f29bf2b53160470c9a85250116509a24.r2.dev/post/2025-05-31-milvus-xiang-liang-shu-ju-ku-kuai-su-ru-men/006-61fc6e51.png)

## 九、真实应用场景参考：电商推荐系统

![Image](https://pub-f29bf2b53160470c9a85250116509a24.r2.dev/post/2025-05-31-milvus-xiang-liang-shu-ju-ku-kuai-su-ru-men/007-36f7a9d6.png)

## 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