Milvus 基本原理

下面用面试能直接说、简短又完整的方式讲清楚 Milvus 基本原理（偏原理+架构+索引，Java/后端面试够用）。

---

一、一句话概括

Milvus 是分布式向量数据库 ，专门存高维向量（Embedding） ，核心是用ANN（近似最近邻）索引 解决"亿级向量中快速找相似 "的问题，支持向量+标量混合检索，适合 RAG、推荐、图像搜索等 AI 场景。

---

二、核心原理（三块：向量存储、索引、分布式架构）

1. 向量从哪来（Embedding）

文本/图片/音频 → 深度学习模型（如 BERT、CLIP）→ 高维浮点向量（如 768维、1536维），向量越近 = 内容越相似。

• 相似度：余弦相似度 （文本常用）、欧氏距离（图像常用）。

2. 数据模型（类比 MySQL）

• Collection（集合） ≈ 表，存向量+标量字段（如 id、content）
• Partition（分区） ≈ 分区，按时间/业务分，缩小查询范围
• Segment（分片） ≈ 数据块，分布式存储最小单元：
  • Growing Segment ：内存中，正在写入，无索引
  • Sealed Segment ：刷盘到对象存储（S3/MinIO），建索引，不可改

3. 索引原理（核心！解决慢查询）

直接全量算距离太慢（亿级向量 O(N)），Milvus 用ANN 索引 ，牺牲一点点精度换百倍速度。

常用索引（面试必说）

1. HNSW（Hierarchical Navigable Small World）

   • 分层图索引，向量之间连"邻居边"
   • 搜索：从顶层往下跳，快速定位最近邻居
   • 特点：查询快、召回高、内存占用大，默认首选

2. IVF（Inverted File，倒排文件）

   • 用 K-means 把向量聚成 N 个"桶（聚类中心）"
   • 搜索：只查最相近的几个桶（nprobe），不扫全量
   • 变种：IVF_FLAT （原始向量）、IVF_PQ（向量压缩，省内存）

3. 核心逻辑：先建索引 → 检索时走索引 → 只算少量候选向量距离 → 返回 TopK 相似结果。

4. 分布式架构（Milvus 2.x 核心）

分层解耦，弹性扩缩容，适合大数据量：

• Proxy（接入层）：无状态，接收请求、路由、负载均衡
• Coord（协调层） ：
  • RootCoord：元数据、全局时间戳
  • DataCoord：数据管理、持久化
  • QueryCoord：查询调度
  • IndexCoord：索引管理
• Worker（执行层） ：
  • DataNode：写入、Flush、Compaction（合并小文件）
  • QueryNode：向量检索、过滤、聚合
  • IndexNode：异步建索引
• 存储层 ：
  • WAL：RocksDB，保证写入可靠
  • 向量/索引：对象存储（S3/MinIO）
  • 元数据：etcd

---

三、查询流程（面试常问）

1. 客户端发向量 + TopK + 过滤条件
2. Proxy 路由到 QueryCoord
3. QueryCoord 调度多个 QueryNode 并行搜索
4. QueryNode：
   • 对 Sealed Segment：走 HNSW/IVF 索引
   • 对 Growing Segment：暴力扫描
   • 合并结果、过滤标量条件
5. 汇总 TopK，返回客户端

---

四、面试背诵版（30秒说清楚）

Milvus 是分布式向量数据库，专门存储 Embedding 向量，核心用 HNSW/IVF 等 ANN 索引 ，把全量计算变成近似搜索 ，实现亿级向量毫秒级相似查询。采用 Proxy--Coord--Worker--存储四层架构，数据分 Segment 管理，支持向量与标量混合检索，常用于 RAG、推荐系统等 AI 场景。

---