🌟 LangChain 30 天保姆级教程 · Day 25｜向量数据库进阶！Milvus vs PGVector，打造千万级 RAG 引擎！

系列目标 ：30 天从 LangChain 入门到企业级部署
今日任务：理解生产级向量库需求 → 部署 Milvus/PGVector → 实现高性能、可扩展的语义检索！

🚀 一、为什么需要升级向量数据库？

在 Day 17--19 中，我们使用 Chroma 快速构建了本地 RAG。

但它不适合生产环境：

表格

问题	Chroma	生产级方案
数据规模	<10万条	✅ 千万+
并发支持	单机、无连接池	✅ 高并发 API
持久化	文件系统	✅ 分布式存储
扩展性	无法水平扩展	✅ 分片 + 副本
运维	无监控/备份	✅ Prometheus + 备份策略

💡 今天，我们就实战两大主流方案：

Milvus：专为向量设计的云原生数据库（Zilliz 出品）

PGVector：PostgreSQL 插件，适合已有 PG 生态的企业

🧱 二、方案选型对比

表格

特性	Milvus	PGVector
类型	专用向量数据库	PostgreSQL 扩展
规模	亿级向量	千万级（受限于 PG）
查询性能	⚡ 极快（GPU 加速）	快（HNSW 索引）
易用性	需独立部署	复用现有 PG
功能	标量过滤、TTL、动态 Schema	支持 JOIN、事务、权限
适用场景	纯向量检索（推荐）	向量+结构化混合查询

✅ 建议：

新建系统 → Milvus

已有 PostgreSQL → PGVector

🛠️ 三、实战 1：部署并接入 Milvus（Docker 一键启动）

步骤 1：启动 Milvus（单机版）

bash 复制代码

# 安装 Milvus standalone（含 etcd/minio）
wget https://github.com/milvus-io/milvus/releases/download/v2.4.6/milvus-standalone-docker-compose.yml -O docker-compose.yml
docker-compose up -d

✅ 访问 http://localhost:9000（Attu UI）查看状态

步骤 2：LangChain 接入 Milvus

ini 复制代码

# day25_milvus_rag.py
from langchain_ollama import OllamaEmbeddings
from langchain_milvus import Milvus

# 初始化 Embedding
embeddings = OllamaEmbeddings(model="nomic-embed-text")

# 创建/加载 Milvus 集合
vectorstore = Milvus(
    embedding_function=embeddings,
    connection_args={"host": "localhost", "port": "19530"},
    collection_name="company_knowledge",
    drop_old=False  # 若已存在则复用
)

# 添加文档（首次运行）
if vectorstore.num_entities == 0:
    from langchain_community.document_loaders import PyPDFLoader
    loader = PyPDFLoader("docs/company_policy.pdf")
    docs = loader.load()
    vectorstore.add_documents(docs)
    print(f"✅ 已入库 {len(docs)} 个片段")

⚠️ 首次插入会自动创建 HNSW 索引（约 1 分钟）

步骤 3：高性能检索

ini 复制代码

# 支持标量过滤（如 category="hr"）
results = vectorstore.similarity_search(
    "年假政策",
    k=3,
    expr='category == "hr_policy"'  # Milvus 表达式语法
)

for doc in results:
    print(doc.page_content[:100])

✅ 优势：

百万级数据 <100ms 返回

支持复杂元数据过滤

自动索引优化

🛠️ 四、实战 2：部署并接入 PGVector（PostgreSQL 扩展）

步骤 1：启动带 PGVector 的 PostgreSQL

ini 复制代码

# 使用官方镜像（含 pgvector）
docker run -d \
  --name pgvector-demo \
  -e POSTGRES_PASSWORD=mypassword \
  -p 5432:5432 \
  ankane/pgvector:v0.7.4

步骤 2：LangChain 接入 PGVector

ini 复制代码

# day25_pgvector_rag.py
from langchain_postgres import PGVector
from langchain_ollama import OllamaEmbeddings

CONNECTION_STRING = "postgresql+psycopg2://postgres:mypassword@localhost:5432/postgres"
COLLECTION_NAME = "company_knowledge"

embeddings = OllamaEmbeddings(model="nomic-embed-text")

# 创建向量库
vectorstore = PGVector(
    embeddings=embeddings,
    collection_name=COLLECTION_NAME,
    connection=CONNECTION_STRING,
    use_jsonb=True  # 元数据存为 JSONB，支持查询
)

# 首次入库
if not vectorstore.collection_exists():
    # 加载文档...
    vectorstore.add_documents(docs)

步骤 3：混合查询（向量 + SQL）

ini 复制代码

# 先向量检索，再用 SQL 过滤
results = vectorstore.similarity_search_with_score(
    "如何申请病假？",
    k=5
)

# 或直接执行混合查询（需自定义）
from sqlalchemy import text
with vectorstore._conn.connect() as conn:
    res = conn.execute(text("""
        SELECT content, metadata 
        FROM langchain_pg_embedding 
        WHERE metadata->>'department' = 'hr'
        ORDER BY embedding <-> :query_emb
        LIMIT 3
    """), {"query_emb": embeddings.embed_query("病假")})

✅ 优势：

复用现有 DBA/备份/权限体系

支持 JOIN 其他业务表（如用户信息）

ACID 事务保障

⚙️ 五、性能调优关键参数

Milvus 调优

makefile 复制代码

# 创建时指定索引参数（HNSW）
index_params = {
    "metric_type": "COSINE",
    "index_type": "HNSW",
    "params": {"M": 16, "efConstruction": 200}
}
# efSearch 控制查询精度/速度（默认 10）
search_params = {"metric_type": "COSINE", "params": {"ef": 64}}

PGVector 调优

sql 复制代码

-- 创建 HNSW 索引（比 IVFFlat 更快）
CREATE INDEX ON langchain_pg_embedding 
USING hnsw (embedding vector_cosine_ops) 
WITH (m = 16, ef_construction = 64);

💡 经验法则：

efConstruction / ef 越大，精度越高，速度越慢

生产环境建议：ef=64~128

🔒 六、安全与运维最佳实践

表格

事项	Milvus	PGVector
认证	RBAC + TLS	PostgreSQL 用户/角色
备份	MinIO 快照 + Milvus Backup	pg_dump + WAL 归档
监控	Prometheus + Grafana	pg_stat_statements
扩容	水平分片（Sharding）	读写分离 + 分区表

💡 通用建议：

向量维度统一（如 nomic-embed-text 输出 768 维）

定期重建索引（数据更新频繁时）

对高频查询加缓存（Redis）

📦 七、配套代码结构

bash 复制代码

langchain-30-days/
└── day25/
    ├── milvus_rag_demo.py      # Milvus 接入示例
    └── pgvector_rag_demo.py    # PGVector 接入示例

📝 八、今日小结

✅ 理解了 Chroma 与生产级向量库的差距
✅ 学会了 Milvus 的 Docker 部署与 LangChain 接入
✅ 掌握了 PGVector 的混合查询能力
✅ 知道了 HNSW 索引的关键调优参数
✅ 了解了安全、备份、监控等运维要点

🎯 明日预告：Day 26 ------ RAG 评估！用 TruLens + 自定义指标量化你的 RAG 系统效果！