从 0 到实战：掌握向量数据库 Milvus，构建 AI 应用的核心能力

传统的数据库，比如 MySQL 等存的是精确值（数字、字符串），查询靠精确匹配或 LIKE 模糊搜索。

而传统数据库查询的精确匹配或 LIKE 模糊搜索没发进行语义搜索。此时向量数据库，比如 Milvus 就登场了。

向量数据库存的是向量（一组浮点数数组，如 [0.12, -0.34, 0.56, ...]），查询靠语义相似度。

比如你搜"猫"，它能找回" kitten ""猫咪"甚至"宠物"，因为它比较的是语义上的"距离"，而非字面是否一致。

向量数据库应用场景

RAG 知识库：把文档向量化存到 Milvus，用户提问时搜出最相关片段喂给 LLM
图片检索：以图搜图，根据视觉特征向量找相似图片
推荐系统：用用户行为向量匹配相似用户或商品
语义搜索：自然语言搜索非结构化文本

安装 Milvus

安装 Milvus 数据库需要借助 Docker 。使用 Docker 借助 Milvus 官方 github 仓库提供的 docker compose 配置文件可快速安装 Milvus ：

github.com/milvus-io/m...

把这个配置文件下载下来，使用 docker compose 启动 Milvus ：

shell 复制代码

docker compose -f ./milvus-standalone-docker-compose.yml up -d

用到的镜像根据配置文件自动下载，跑起来之可以在 docker 桌面端看到下载 milvus 、etcd 和 minio 三个镜像：

跑起来的 milvus 容器：

Milvus 通过 19530 端口对外暴露服务。

通过下面命令验证服务是否正常：

bash 复制代码

docker ps --filter "name=milvus"
# 应看到三个容器均为 healthy

Milvus 数据库增删改查案例

接下来会使用 Node.js 语言实现 Milvus 数据库的增删改查案例。

Node.js 项目初始化

创建 milvus-test 文件夹，安装以下依赖包：

@zilliz/milvus2-sdk-node: Milvus 官方 Node.js SDK
@langchain/openai: 调用嵌入模型，将文本转为向量
dotenv: 加载 .env 中的环境变量

.env 中配置阿里云百炼的 API Key：

ini 复制代码

DASHSCOPE_API_KEY=sk-xxxxxxxx

在写代码之前，先理解 Milvus 向量数据库几个关键概念：

Collection：相当于关系数据库中的一张表，存同类型的数据。
Schema：定义字段结构，如主键 ID、标题、正文、向量。
Vector Field：存储向量数据的特殊字段，搜索时用它计算相似度。
Index：为向量字段建索引，否则只能暴力扫描，速度极慢。

项目结构

创建以下项目文件结构：

bash 复制代码

src/
├── config.js        # 统一配置：Milvus 地址、嵌入模型参数
├── client.js        # MilvusClient 单例
├── embedding.js     # 文本 → 向量（调用百炼 text-embedding-v4）
├── collection.js    # 集合管理：创建 Schema、建索引、加载到内存
├── create.js        # 增：插入数据
├── read.js          # 查：向量搜索 + 标量查询
├── update.js        # 改：Upsert（有则更新，无则插入）
├── delete.js        # 删：按 ID / 按条件删除
└── index.js         # 主入口，串联演示完整流程

连接 Milvus

js 复制代码

// src/client.js
import { MilvusClient } from "@zilliz/milvus2-sdk-node";

export const milvusClient = new MilvusClient({
  address: "localhost:19530", // Docker 暴露的 gRPC 端口
  database: "default",
  timeout: 30000,
});

socket 连接是惰性的，只有在发起第一次请求时才真正建立。

文本向量化（Embedding）

向量数据库本身不负责把文本变成向量，这一步需要嵌入模型 完成。这里用阿里云百炼的 text-embedding-v4，输出 1024 维向量。

js 复制代码

// src/embedding.js
import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings({
  openAIApiKey: process.env.DASHSCOPE_API_KEY,
  modelName: "text-embedding-v4",
  dimensions: 1024,
  configuration: {
    baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1",
  },
});

// 单条文本 → 向量
export async function embedText(text) {
  return embeddings.embedQuery(text);
}

// 批量文本 → 向量数组
export async function embedTexts(texts) {
  return embeddings.embedDocuments(texts);
}

embedQuery 接收单个字符串，将该字符串转为向量。

embedDocuments 接收字符串数组，将字符串数组转为向量数组。

创建 Collection

Collection 是数据的容器，需要先定义 Schema、建索引，最后加载到内存。

js 复制代码

// src/collection.js
import { DataType, MetricType, IndexType } from "@zilliz/milvus2-sdk-node";

await milvusClient.createCollection({
  collection_name: "demo_articles",
  fields: [
    {
      name: "id",
      data_type: DataType.VarChar,
      is_primary_key: true,
      type_params: { max_length: "64" },
    },
    {
      name: "title",
      data_type: DataType.VarChar,
      type_params: { max_length: "512" },
    },
    {
      name: "content",
      data_type: DataType.VarChar,
      type_params: { max_length: "65535" },
    },
    {
      name: "embedding",
      data_type: DataType.FloatVector,
      type_params: { dim: "1024" },
    },
  ],
  enable_dynamic_field: true, // 允许存入未在 Schema 中声明的字段
});

// 为向量字段建索引（搜索前必须）
await milvusClient.createIndex({
  collection_name: "demo_articles",
  field_name: "embedding",
  index_type: IndexType.IVF_FLAT, // 倒排索引，适合百万级数据
  metric_type: MetricType.COSINE, // 余弦相似度
  params: { nlist: 128 },
});

// 加载到内存（搜索前必须）
await milvusClient.loadCollectionSync({
  collection_name: "demo_articles",
});

三步走：建表 → 建索引 → 加载。缺一不可。

增（Insert）

插入数据前，先把文本转为向量，再连同原文一起写入。

js 复制代码

// src/create.js
const contents = articles.map((a) => a.content);
const embeddings = await embedTexts(contents); // 批量向量化

const rows = articles.map((article, i) => ({
  id: article.id,
  title: article.title,
  content: article.content,
  embedding: embeddings[i], // 向量字段
}));

const result = await milvusClient.insert({
  collection_name: "demo_articles",
  data: rows,
});

// 刷新使数据可被搜索
await milvusClient.flushSync({ collection_names: ["demo_articles"] });

关于 flush ：Milvus 的数据先写内存再异步落盘。flushSync 会阻塞等待落盘完成，确保后续搜索能查到刚插入的数据。

查（Search / Query）

Milvus 提供两种"查"：

向量相似度搜索（ANN Search）

把查询文本也转成向量，在向量空间找 Top-K 最近邻居。

js 复制代码

// src/read.js
const queryVector = await embedText("什么是向量数据库？");

const result = await milvusClient.search({
  collection_name: "demo_articles",
  data: queryVector, // 查询向量
  anns_field: "embedding", // 在哪个向量字段上搜索
  limit: 3, // Top-K
  output_fields: ["id", "title"], // 返回哪些标量字段
  params: { nprobe: 16 }, // 搜索精度（越大越准但也越慢）
});

运行结果示例：

less 复制代码

搜索查询: "什么是向量数据库？"
  #1 [article-002] 向量数据库入门：从零开始学习 Milvus (相似度: 0.8252)
  #2 [article-004] Docker 容器化部署最佳实践 (相似度: 0.3095)

标量查询（按 ID 或条件过滤）

不走向量搜索，像传统数据库一样精确查询。

js 复制代码

// 按 ID 查询
await milvusClient.query({
  collection_name: "demo_articles",
  ids: ["article-001", "article-003"],
  output_fields: ["id", "title"],
});

// 按条件过滤
await milvusClient.query({
  collection_name: "demo_articles",
  filter: 'id like "article-%"',
  limit: 10,
});

改（Upsert）

Milvus 的更新操作是 Upsert：主键已存在则覆盖（含向量重新计算），不存在则插入。

js 复制代码

// src/update.js
const vec = await embedText(newContent);

await milvusClient.upsert({
  collection_name: "demo_articles",
  data: [
    {
      id: "article-002", // 相同 ID → 覆盖旧数据
      title: "新标题",
      content: newContent,
      embedding: vec,
    },
  ],
});

await milvusClient.flushSync({ collection_names: ["demo_articles"] });

删（Delete）

支持按 ID 列表或按表达式删除。

js 复制代码

// src/delete.js

// 按 ID 删除
await milvusClient.delete({
  collection_name: "demo_articles",
  ids: ["article-005"],
});

// 按表达式删除
await milvusClient.delete({
  collection_name: "demo_articles",
  filter: 'id == "article-004"', // 对标量字段的条件表达式
});

// 每次删除后刷新
await milvusClient.flushSync({ collection_names: ["demo_articles"] });

效果演示

在 package.json 中添加 npm scripts 命令：

json 复制代码

{
  "scripts": {
    "start": "node src/index.js"
  }
}

运行 pnpm start 命令程序会依次执行：创建集合 → 插入 5 篇文章 → 语义搜索验证 → 按 ID 查询 → Upsert 更新 → 按 ID 删除 → 按条件删除。每一步都有清晰的日志输出。

受限于篇幅，这个只截取部分执行效果：

代码已上传 github 仓库：github.com/Panda-plus5...

安装 Milvus 可视化管理工具

Milvus 可视化管理工具推荐使用 Attu ，相当于 MySQL 的 Navicat 。

使用可视化管理工具可以方便查看数据库中的数据。

可以在以下链接获取安装包：

github.com/zilliztech/...

下载后直接安装，使用默认配置连接：

连接后可以方便地查看 Entity 数据：

总结

在 AI 时代，语义搜索已成为 RAG、智能问答等应用的核心能力，而传统数据库（如 MySQL）受限于精确匹配和模糊查询，无法理解"猫"与" kitten "之间的语义关联。向量数据库（如 Milvus）正是填补这一空白------它将文本、图片等非结构化数据映射为高维向量，通过相似度计算实现"理解含义"的搜索。

掌握了上文的增删改查，你就能将 Milvus 融入实际项目。

欢迎读者点赞、收藏！