Milvus 是一款开源的向量数据库（Vector Database） ，专门设计用于存储、索引和管理由深度学习模型生成的海量向量嵌入（Embeddings）。
它是目前全球最受欢迎的向量数据库之一，由 Zilliz 公司发起并开源，目前是 LF AI & Data 基金会的毕业项目。
以下是对 Milvus 的详细介绍：
1. 为什么需要 Milvus？（核心背景）
在传统的 SQL 数据库（如 MySQL）中，我们搜索的是结构化数据 （如数字、字符串）。但在 AI 时代，大部分数据是非结构化的（图片、视频、文本、语音）。
- 过程：通过深度学习模型（如 CLIP、BERT、GPT），这些非结构化数据会被转化为一串数字向量（Embedding）。
- 挑战 ：传统的数据库无法高效处理这种"在高维空间寻找最相似点"的计算（即近邻搜索 ANN）。
- 解决：Milvus 专门为这种高维向量的**近似搜索（Approximate Nearest Neighbor Search）**而生，能够处理万亿级规模的数据。
2. Milvus 的核心特性
- 高性能：在进行大规模向量搜索时，响应时间通常在毫秒级。
- 云原生架构 ：采用了存储与计算分离的设计。这意味着你可以根据需求独立扩展计算节点或存储节点，非常适合 Kubernetes 环境。
- 高可靠性：支持多副本伸缩、容灾恢复，适合企业级生产环境。
- 混合搜索（Hybrid Search） ：
- 它不仅支持向量搜索，还支持标量过滤（例如：搜索"与这张图片相似"的图片，但限制条件是"价格在 100 元以内"）。
- 支持多种索引算法 ：内置了多种成熟的向量索引技术，如 HNSW 、IVF 、Flat 、以及专门针对磁盘优化的 DiskANN。
3. Milvus 的逻辑结构
为了方便理解，可以将其与传统数据库做类比：
- Collection（集合） ≈ 表（Table）
- Entity（实体） ≈ 行（Row）
- Field（字段） ≈ 列（Column）
- Vector（向量） ≈ 核心数据列（关键字段）
4. 典型应用场景
- RAG（检索增强生成） ：
- 这是目前最火的应用。将企业文档存入 Milvus，当用户询问大模型（如 ChatGPT/Claude）时，先从 Milvus 中检索出最相关的片段给模型参考，从而解决模型"胡说八道"的问题。
- 图片/视频相似度搜索 ：
- 以图搜图、短视频去重、物体识别。
- 个性化推荐系统 ：
- 根据用户的行为向量，快速匹配其可能感兴趣的内容、商品或好友。
- 智能客服/语义搜索 ：
- 超越关键词匹配，根据语义理解来回答问题。
- 异常检测 ：
- 将正常行为模式向量化，实时检测偏离正常范围的异常数据（如信用卡诈骗检测）。
5. Milvus 的三种部署版本
- Milvus Standalone：单机版，适合开发测试和小型应用。
- Milvus Distributed：分布式版本，支持大规模集群部署，处理海量数据。
- Zilliz Cloud：Milvus 的托管版本（SaaS），无需自己维护基础设施，开箱即用。
6. 生态集成
Milvus 拥有非常完善的生态圈，支持几乎所有主流 AI 工具：
- 编程语言：Python, Java, Go, Node.js。
- AI 框架：LangChain, LlamaIndex, Towhee。
- 模型库：PyTorch, TensorFlow, HuggingFace。
总结
如果说大模型（LLM）是 AI 的大脑 ，那么 Milvus 就像是 AI 的长期记忆库。它解决了 AI 如何在大规模知识海洋中快速、准确地找到所需信息的问题，是构建现代 AI 应用不可或缺的基础设施。
项目官网 : milvus.io 代码仓 : github.com/milvus-io/m...