好消息，大家翘首以盼的Milvus 2.6.x 正式登陆Zilliz Cloud啦！
此次上线不仅完整迁移开源版本的全部功能，还叠加了一系列Zilliz Cloud专属优化，在性能、稳定性和效率实现进一步突破。
功能上，伴随此次GA，用户可享受三方面的体验升级：
成本侧：三层分层存储架构正式上线，可将存储成本降低 87%，计算支出减少 25%，整体 TCO 接近 S3 水平；此外，我们还推出了Index Build Level索引构建三档策略（精度优先 / 平衡 / 容量优先），可以自动匹配不同场景的精度与成本需求。
性能与体验上：我们推出了JSON shredding 和 JSON path index 让元数据过滤提速 100 倍；最新的BM25 全文搜索比 Elasticsearch 快 4-7 倍，支持在一个系统内同时完成内关键词 + 向量混合检索；并增强了多语言支持，优化中日韩等复杂分词场景的搜索精度。
场景扩展方面：我们新增了地理空间数据Geometry、带时区时间戳（TimestampTz）、8 位向量类型（INT8 Vector Type）、Struct等数据类型，用户无需配置其他工具即可支持位置检索、时序分析、复杂实体建模等场景，简化您的整体数据架构设计。
以下是此次Zilliz Cloud功能更新的详细介绍：
01
三层存储上线：向量搜索成本降至接近 S3 水平
相信以下场景，很多朋友都很熟悉：
多租户SaaS场景：一个拥有上千租户的产品中，过去 24 小时内被访问的租户占比通常只有 15%上下，而剩余 85% 的租户数据几乎不会被唤醒。
电商推荐场景：电商的SKU通常百万起步，但Top 10%热门商品贡献了 80% 的查询量，长尾商品的访问频率低到可以忽略不计
内容查询场景：社交平台的历史内容向量库中，90% 的查询集中在最近 7 天产生的内容上，而归档内容（占总量的 95%）几乎不会被访问。
本质上，这些场景都存在一个共性问题：仅贡献不到10%查询调用的冷数据，往往占据了80%的内存资源。
而在Milvus 2.5及更早版本中，无论数据是否会被访问，都必须全量加载到本地（内存或磁盘）。这就导致一个尴尬的结果：即便大部分资源处于闲置状态，用户仍需为这些无效占用支付高昂成本。
伴随着Milvus 2.6的推出，以及相关功能的正式GA上云，传统的全量预加载将正式转变为按需加载，将数据存储成本压缩到极致。
技术路径实现上，Milvus 2.6.x 的分层存储功能，在 Zilliz Cloud 中被升级为全云原生三层架构：
-
内存层承载热数据，支持毫秒级查询响应
-
本地 SSD 缓存温数据，加速重复访问请求
-
对象存储（如 S3）存放全量数据，保障低成本
此外，系统基于LRU（最近最少使用）算法的智能预测，可以动态调整冷热数据边界，自动降级不常用数据块。让数据在各层级间自动流转。
生产环境测试显示，其缓存命中率超 90%，能降低 87% 存储成本和 25% 计算支出。一个 10TB 的数据集，月均成本可从 3000 美元降至 400 美元。
从场景角度出发，该方案非常适配冷热数据二八分（热数据占比不到20%，但贡献80%以上访问的）的长尾场景，比如电商产品搜索、企业文档库、新闻媒体库等冷热数据分明的场景。
02
Index Build Level：自动平衡搜索精度与存储成本
索引选择通常会直接决定我们向量搜索的成本与召回结果，通常：精度要求越高，索引体积越大，内存占用越高。
但值得注意的是，并非所有场景都需要极致召回率。
因此，Zilliz Cloud 推出了全新的Index Build Level索引构建级别功能，支持按需选择平衡策略：
精度优先：面向欺诈检测等关键任务，提供最高召回率
平衡型（默认）：精准匹配精度、性能与内存效率，适配多数通用 AI 应用
容量优先型：深度优化存储密度，适合冷数据归档、实验环境等低精度需求场景
在这背后，Zilliz Cloud构建了新一代量化引擎，可自动且动态的调整索引压缩和结构，从而在大小、准确性和成本之间实现平衡。
03
扩展数据类型支持：适配更多真实 AI 场景
过去在Zilliz Cloud 以及Milvus使用中，需要位置感知搜索、时序过滤等需求时，我们只能额外搭配 GIS 工具或时序数据库。
现如今，Milvus 2.6.x 新增了多种数据类型，让这些场景可直接在 Zilliz Cloud 内实现，并极大简化了您的数据管理架构与运维成本。
地理空间数据Geometry（POINT、LINESTRING、POLYGON）：支持语义相似度与地理空间过滤的混合检索，无需额外部署 GIS 引擎，适配配送、电商附近推荐等场景。
带时区时间戳（TimestampTz）：原生支持时间窗口搜索、时效性加权排序，为日志分析、监控告警等场景提供简洁处理流程。
8 位向量类型（INT8 Vector Type）：完美适配 E5-base、MiniLM-L12 等模型的输出格式，无需格式转换，减少内存与存储浪费，适合边缘 AI 与成本敏感型负载。
Struct：在多个向量代表一个实体的场景中（如电商场景，一个商品可能包含多个角度的图片和描述），Struct 允许将不同类型的数据（如标量、向量、字符串等）组织成一个结构化的对象。通过这种方式，数据库中的"一行"可以对应业务中的"一个实体"（如商品、文章、视频等）。结合 MAX_SIM 等聚合函数，数据库能够直接返回实体级的结果，简化查询语句和数据模型设计。
04
JSON Shredding与 JSON Path：元数据过滤提速 100 倍
电商推荐、RAG 系统等场景高度依赖 JSON 标量过滤（产品详情、用户属性、文档标签、事件日志、偏好设置、配置）过滤，但传统方案需扫描全量 JSON 对象，数据量增长后性能会急剧下降。
Zilliz Cloud 的 Milvus 2.6.x 凭借两项特性解决这一痛点：
JSON Shredding：写入侧依然保持标准 JSON 写入方式，但 Zilliz Cloud 会在底层自动重构 JSON，即便大型或结构混乱的文档，也能实现过滤速度提升 100 倍。
JSON Path：支持为 price、category 等核心字段建立索引，实现等值、范围查询的即时响应。
两者结合让结构化过滤与向量搜索在同一系统内完成，大幅提升检索精度，适配推荐系统、多租户架构等场景。
05
BM25 优化全文搜索：速度较 Elasticsearch 快 4-7 倍
企业知识助手、客服机器人等 RAG 应用，需要向量语义检索与关键词精确匹配的双重能力。
此前，用户需同时部署向量数据库与 Elasticsearch，才能兼顾两种需求，导致成本翻倍、检索链路变长。
Zilliz Cloud 在 Milvus 2.5.x 混合搜索基础上完成升级，内置优化版 BM25 全文引擎：
-
检索速度较 Elasticsearch 快 4 倍，特定数据集可达 7 倍
-
索引体积仅为原始文本的 1/3
-
能在单一系统内实现关键词+向量的统一检索
这一能力让 RAG 应用的事实锚定更精准，比如实现精确匹配名称、缩写、法规和错误代码、产品名称、版本号、配置参数......尤其适配企业知识管理、客户支持文档检索等场景。
06
增强多语言支持：服务全球用户，提升复杂文本搜索效果
全球化成为AI原生应用成立第一天就必须面对的现实，而面向全球市场的 AI 应用，分词能力会直接决定其搜索质量。
Milvus 2.6.x 针对中日韩等分词复杂的语言完成专项优化，并在 Zilliz Cloud 中提供开箱即用的配置。
核心升级包括：
-
集成 Lindera + ICU 分词器，优化日语、韩语及混合语言的分词效果
-
支持自定义词典的Jieba 分词，可针对行业术语优化中文检索
-
提供 run_analyzer 工具，帮助团队调试分词行为，保障搜索质量稳定
此外，Zilliz Cloud 新增短语匹配（Phrase Match，以倒排索引为基础 ，可实现严格词序 + 位置信息 ，也支持 灵活距离调节）、索引功能，可加速子串、通配符等复杂文本查询，适配全球电商、跨国企业知识平台等场景。
07
安全合规与全球高可用
随着 Milvus 2.6.x 上线，Zilliz Cloud 进一步巩固了高性能、低成本、高安全的全托管向量数据库服务定位，为 AI 应用提供全链路支撑：
-
弹性扩展：一键部署、无服务器自动扩缩容、按需付费
-
先进搜索能力：覆盖向量、全文、混合搜索，支持元数据过滤与动态 schema
-
企业级安全合规：99.95% SLA、SOC 2 Type II、ISO 27001 认证，支持 GDPR、HIPAA 合规与 RBAC 权限管理
-
全球部署：在 AWS、GCP、Azure 、阿里云、腾讯云五大云平台上线，实现全球范围内低于 100 毫秒延迟
-
无缝迁移：内置工具支持从 Pinecone、Qdrant、Elasticsearch 等平台迁移数据
-
自然语言查询：支持 MCP 服务器，无需复杂 API 即可实现直观检索
这些能力让 Zilliz Cloud 超越单纯的向量数据库范畴，成为一套全托管、生产就绪的 AI 应用开发平台。
08
如何体验 Zilliz Cloud ？
Milvus 2.6.x 所有新功能已在 Zilliz Cloud 全面上线。
如果您已有账号：直接登录即可使用，无需数据迁移或版本升级
新用户：注册即享 300人民币免费额度，体验全球领先的托管向量数据库（扫描文末二维码即可）
如有疑问，可查阅官方文档或联系 Zilliz 支持团队（扫描文末二维码即可）
go
阅读推荐
不会做RAG、agent的本地数据管理？都来学Claude Code！附深度拆解
索引选不对，成本贵十倍！ScaNN就是电商推荐的最优解
都有混合检索与智能路由了，谁还在给RAG赛博哭坟？
prompt比拖拉拽更适合新手做复杂agent！LangSmith+Milvus教程
多agent系统实战之：Agno与LangGraph，谁更适合快速落地生产？
