Milvus使用指南（上）

1、安装Docker DeskTop

生产环境推荐Docker安装

1.1 下载安装包

官网：https://www.docker.com/

1.2 安装

步骤1：点击OK即可

步骤2：等待安装完成

步骤3：重启电脑或稍后自行重启

步骤4：接受服务协议

步骤5：完成安装

2、安装Milvus

1. 准备 Docker

先确保 Mac 安装并启动 Docker Desktop：

复制代码

docker --version
docker ps

2. 创建 Milvus 工作目录

复制代码

mkdir -p ~/milvus
cd ~/milvus

3. 下载 Milvus Standalone 脚本

复制代码

curl -L "https://raw.githubusercontent.com/milvusio/milvus/master/scripts/standalone_embed.sh" \
  -o standalone.sh

复制代码

standalone_embed.sh 是 Milvus 官方提供的 Standalone 部署脚本。-o standalone.sh 表示将下载的文件保存为本地的 standalone.sh。

4. 添加执行权限

复制代码

chmod +x standalone.sh

5. 启动 Milvus

复制代码

bash standalone.sh start

6. 查看运行状态

复制代码

bash standalone.sh status

同时可以通过：查看 Milvus 相关容器。

7. 常用操作

复制代码

# 启动
bash standalone.sh start

# 重启
bash standalone.sh restart

# 停止
bash standalone.sh stop

# 升级
bash standalone.sh upgrade

# 删除
bash standalone.sh delete

3、测试前准备工作

安装Milvus Python SDK

复制代码

 pip install pymilvus # 已在requirements_full.txt文件中安装

Milvus Lite已包含在Milvus的Python SDK中，此处不用Milvus Lite，直接访问在docker desktop安装的、Standalone模式的Milvus服务。

Milvus数据模型

1 整体结构

从业务角度，Milvus数据模型层级如下

复制代码

Database -> Collection -> Partition -> Entit

Database：Milvus 的数据库，用来隔离不同业务数据。

Collection：最核心的逻辑容器，类似于关系型数据库里的 table。

Partition：分区，是 collection 的子集，不是必须手动创建；一个 collection 至少会有默认 partition。

Entity：可以理解为 collection 中的一条记录。类似于关系型数据库的一行数据。

2 具体说明

在传统数据库中，如果你想存储用户信息，你会建一张表叫 user_table ；想存储商品，会建一张表叫 product_table

在向量数据库中，我们要存储的是成千上万个"特征向量"以及它们对应的文本。为了把不同用途的向量分门别类地存放，我们就要创建不同的 Collection。比如， COLLECTION_NAME = "docs" 就是给这张"表"取名叫 docs ，专门用来存放你切分好的文档片段向量。

4、基本用法

DDL操作

① 查看数据库

创建客户端

from pymilvus import MilvusClient

MilsClient = MilvusClient(host='localhost', port=19530)

举例2：列出所有数据库

复制代码

databases=MilsClient.list_databases()

for db in databases:
    print(db)

② 创建数据库

复制代码

db_name='rag_demo'
if db_name not in databases:
    MilsClient.create_database(
          db_name=db_name,
    )

③ 删除数据库

复制代码

如果数据库下有Collection则无法删除，需要先删除它的所有Collection才能删除Database

复制代码

MilsClient.drop_database(db_name=db_name)

Collection相关操作

① 切换数据库

复制代码

MilsClient.use_database(db_name=db_name)

上述命令的作用等价于关系型数据库中的 use

② 查看数据库下的collections

复制代码

collections =  MilsClient.list_collections()

for coll in collections:
    print(coll)

③ 创建collection

复制代码

collection_name='docs'

MilsClient.create_collection(
 collection_name=collection_name,
 dimension=1024,
 metric_type="COSINE",
)

dimension ：嵌入向量维度，应和嵌入模型的向量维度保持一致

metric_type 表示向量相似度的计算方式， COSINE 表示余弦相似度

当用户提问时，系统会把提问也变成向量，然后去数据库里找"最相似"的本地文本向量。但怎么定义"相似"呢？向量数据库需要知道计算规则。 COSINE （余弦相似度）关注的是两个向量在方向上的夹角：

如果两个向量方向完全一致（代表文本意思极度接近），余弦值接近 1 。

如果方向正交（毫无关系），值接近 0 。

结论：在 RAG 检索时，Milvus 会帮你计算用户问题与数据库中所有文本的余弦相似度，并把得分（Score）从大到小排序，把得分最高（最相似）的前 K 个片段还给你。 (注：除了COSINE 之外，常见的还有 L2 欧氏距离、 IP 内积等。)

④ 删除collection

复制代码

MilsClient.drop_collection(collection_name=collection_name)