milvus笔记、常用表结构

文章目录

- - 通用表结构
  - - 通用表结构-简单描述
    - 通用表结构-代码创建表结构

通用表结构

通用表结构-简单描述

这个是给大模型的话术，它直接就能生成出来：

bash 复制代码

v_common # 表名
id # id int64
vector # 向量 float32 1536维
content # 内容 varchar(1024)
category # 分类 varchar(256)

通用表结构-代码创建表结构

python 复制代码

from custom_milvus_client import client


from pymilvus import MilvusClient, DataType

# 假设 client 已经通过 custom_milvus_client 初始化并连接
# from custom_milvus_client import client

collection_name = "v_common"

# 1. 定义 Schema
# auto_id=True: 表示 id 由 Milvus 自动生成，插入数据时无需传 id
# enable_dynamic_field=False: 强制严格模式，只能插入定义的字段
schema = client.create_schema(auto_id=True, enable_dynamic_field=False)

# 2. 添加字段
# --- 主键 ---
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True)

# --- 向量字段 (1536维) ---
schema.add_field(field_name="vector", datatype=DataType.FLOAT_VECTOR, dim=1536)

# --- 内容字段 (Varchar 1024) ---
schema.add_field(field_name="content", datatype=DataType.VARCHAR, max_length=1024)

# --- 分类字段 (Varchar 256) ---
schema.add_field(field_name="category", datatype=DataType.VARCHAR, max_length=256)

# 3. 定义索引参数
# 使用 HNSW 索引（高性能） + COSINE 距离（适合文本向量）
index_params = client.prepare_index_params()
index_params.add_index(
    field_name="vector",
    index_type="HNSW",
    metric_type="COSINE",
    params={"M": 16, "efConstruction": 256}
)

# 4. 创建集合
# 如果集合已存在，先删除（开发环境常用，生产环境请慎用）
if client.has_collection(collection_name):
    client.drop_collection(collection_name)
    print(f"⚠️ 集合 '{collection_name}' 已存在，已删除并重建。")

client.create_collection(
    collection_name=collection_name,
    schema=schema,
    index_params=index_params,
    consistency_level="Strong"  # 强一致性，确保写入后立即能被搜到
)

print(f"✅ 集合 '{collection_name}' 创建成功！")