1、 安装Docker DeskTop
生产环境推荐Docker安装
1.1 下载安装包
bash
https://www.docker.com/1.2 安装
安装比较简单，仅提供一些截图
个别首次安装的小伙伴会被windows系统提示需要安装 适用于Linux的Windows子系统 。这里选择确认安装。稍等片刻后会完成安装。
1.3 设置Proxy
后续下载的Milvus是最新版，在国内可能没有对应镜像，所有建议"科学上网"
1.4 配置加速器（备选）
2、安装Milvus
- 以管理员身份打开Docker Desktop，确保Docker Engine状态正常后进行下一步
- 打开powershell，后续操作都在powershell命令行完成
- 切换文件目录
注意：developTools\Milvus是你期望保存Milvus数据库的目录，执行前需要确保此文件目录
存在。不存在，提前创建好。
- 下载启动脚本
bash
Invoke-WebRequest https://raw.githubusercontent.com/milvus-io/milvus/refs/heads/master/scripts/standalone_embed.bat -OutFile standalone.bat执行完以后，会在当前路径下生成standalone.bat文件
- 执行命令
bash
.\standalone.bat start第三步我们将启动脚本安装在当前目录下，通过bat文件传递启动命令。
如果更换了启动脚本的下载位置，更改命令指向该文件即可
- 查看状态
本地缺少Milvus镜像会自动从云端拉取，看到上图所示 Start successfully 则启动成功。若失败，可重试几次。
- 停止容器
bash
.\standalone.bat stop此外，在Docker容器中可见：
3、测试前准备工作
3.1 确保Milvus已启动
3.2 安装Milvus Python SDK
bash
pip install pymilvus3.3 Milvus数据模型
3.3.1 整体结构
从业务角度，Milvus的数据模型层级如下
bash
Database -> Collection -> Partition -> EntityDatabase：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
3.3.2 具体说明
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
4.1 DDL操作
4.1.1 Database
查看数据库
- 创建客户端
bash
from pymilvus import MilvusClient
client = MilvusClient("http://localhost:19530")- 列出所有数据库
创建数据库
删除数据库
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
4.1.2 Collection
切换数据库
查看数据库下的collections
创建collection
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。）
删除collection
