简介
区别mysql，前者使用标量数据做索引，milvus使用向量作为索引。其他都和mysql差不多
支持单机部署和集群部署
生产环境一般集群部署
关键概念
互联网上80%往上都是非结构化
补充：实体对应mysql中的行
名称对比
索引
MySQL的索引存磁盘，milvus为了加速查询，索引放内存，所以有了一些省内存的索引方式
mysql可以选择进行是否使用索引，milvus不使用索引工作不了
FLAT就是遍历，精度高，内存消耗大
IVF_FLAT（生产级）:
就是先kmeans聚类，指定相似度的最高的n个簇，只查这几个簇里的内容
IVF_SQ8 : 在IVF_FLAT基础上把向量转标量，节省内存，降低精度
**IVF_PQ ： **更加省内存，基本不用
**HNSW：**也是生产级的索引方式，基于图的方式，效率很高，原理复杂，本质是拿内存换时间
相似度度量
第一个注重数值，多用于人脸识别
第三个注重方向，多用于情感分类
第二个综合，什么都干
CRUD
不同于mysql可以用sql语句操作，milvus全得靠代码手搓
增删改不必说，和mysql差不多
查
简单查询本质上只做3件事：
- 算距离 向量相似度计算，由索引加速（ANNs算法）；
- 划范围 通过
limit、radius、partition缩小搜索圈； - **加条件 ** 通过
filter和output_fields做数据过滤与提取。
复杂查询----使用混合索引
在实际业务中，一条数据可能包含多个向量字段 （例如：一个商品既有"图片向量"，又有"文字描述向量"）。当你搜索时，可能希望同时考虑这两个维度的相似性，而不是只看其中一个。
混合检索的流程是：
- 分别执行多次 ANN 搜索：对每个向量字段进行一次独立的 Top-K 搜索（例如图片向量搜出 100 个结果，文字向量也搜出 100 个）。
- 重排序（Merge & Rerank）：将这两组结果合并，使用一种策略重新打分，最终返回你最想要的 Top-N 个结果。
这种合并过程的关键在于"如何给每个结果综合评分"。Milvus 提供了两种内置策略：
你最想要的 Top-N 个结果。
这种合并过程的关键在于"如何给每个结果综合评分"。Milvus 提供了两种内置策略：
外链图片转存中...(img-GfXmtfMy-1784797868676)
