Milvus搜索机制

目录

• 一、向量相似度计算规则
• 二、三种检索方式
• 三、三种搜索方式的代码示例
• • [3.1、标准 ANN 搜索](#3.1、标准 ANN 搜索)
  • 3.2、范围搜索
  • 3.3、混合检索

一、向量相似度计算规则

metric_type = 向量相似度计算规则，建索引时是什么 metric，检索时就必须保持一致，不能乱改，否则召回结果异常 / 报错Milvus。

L2（欧氏距离）

看的是空间上离得近不近，同时兼顾方向 + 向量长度

• 适合：向量长度本身有业务含义的场景，比如图片特征、一些 CV 特征
• 不适合：文本 Embedding（大部分文本 Embedding
  关心语义方向，不关心模长）

COSINE（余弦相似度）

只关心方向（语义夹角），不在乎向量多长，打分区间：-1,1；接近 1 越像

• 适合：RAG、文本向量检索最常用的，因为我们只关心语义是否相近，不关心向量模

IP（内积）

IP = a 和 b 同方向 + 模长越大，分数越高

• 不归一化的时候：IP ≠ 余弦！
• 全部向量归一化（L2 模 = 1）之后：IP = COSINE，排序结果 100% 一致
• 优点：归一化后计算更快（少一次除法），很多大模型向量库（FAISS、Milvus）RAG 场景喜欢用归一化 + IP

根据Milvus集合索引获取metric_type类型

def get_metric_type(client: MilvusClient, collection_name: str) -> str:
    index_names = client.list_indexes(collection_name, field_name=VECTOR_FIELD)
    for index_name in index_names:
        index = client.describe_index(collection_name, index_name)
        metric_type = index.get("metric_type")
        if metric_type is None:
            metric_type = (index.get("params") or {}).get("metric_type")
        if metric_type:
            return str(metric_type).upper()
    raise RuntimeError(
        "Cannot read metric_type from the vector index. "
        "Please create an index for embeddings first."
)

二、三种检索方式

标准 ANN 搜索（TopK 相似度检索） ---------"给我和这个向量最相似的 K 条结果"

======标准 ANN 适合大多数检索场景，比如相似图片推荐、相似文本匹配。只要你的需求是"找一批相似结果"，用这种方式最直接。

search_params = {
    "metric_type": "COSINE",
    "params": {"ef": 64},
}
results = collection.search(
    data=[query_vector],
    anns_field="embedding",
    param=search_params,
    limit=10,
    output_fields=["id", "title"],
)

范围搜索（Range Search）:按距离阈值过滤 ---------所有距离小于某个阈值的向量

search_params = {
    "metric_type": "COSINE", //"距离"越小表示越相似
    "params": {
        "radius": 0.2, //radius 是"最远能接受多远"，所以相似度越高， radius 越小。
        "range_filter": 0.0,
    }
}

混合检索（Hybrid Search）：向量 + 标量联合过滤 ------在向量搜索里同时施加标量过滤表达式，搜索时先用标量条件圈定候选范围，再在这个范围内做 ANN 搜索。

results = collection.search(
    data=[query_vector],
    anns_field="embedding",
    param=search_params,
    limit=10,
    expr="price >= 300 and price <= 500 and stock > 0",
    output_fields=["id", "title", "price"],
)
====是增加了expr来进行标量筛选。

三、三种搜索方式的代码示例

3.1、标准 ANN 搜索

def standard_ann_search(
    client: MilvusClient,
    collection_name: str,
    query_vector: Sequence[float],
    top_k: int,
    metric_type: str,
) -> Dict[str, Any]:
    """1. 标准 ANN 搜索：只按向量相似度返回 TopK。"""
    search_params = {
        "metric_type": metric_type,
        "params": {},
    }
    results = client.search(
        collection_name=collection_name,
        data=[list(query_vector)],
        anns_field=VECTOR_FIELD,
        search_params=search_params,
        limit=top_k,
        output_fields=[DATA_ID_FIELD, TEXT_FIELD],
    )
    return {
        "mode": "standard_ann",
        "search_params": search_params,
        "filter": None,
        "results": results,
    }

3.2、范围搜索

def range_search(
    client: MilvusClient,
    collection_name: str,
    query_vector: Sequence[float],
    top_k: int,
    metric_type: str,
    radius: float,
    range_filter: Optional[float],
) -> Dict[str, Any]:
    """2. Range Search：按距离阈值过滤。"""
    params: Dict[str, Any] = {"radius": radius}
    if range_filter is not None:
        params["range_filter"] = range_filter

    search_params = {
        "metric_type": metric_type,
        "params": params,
    }
    results = client.search(
        collection_name=collection_name,
        data=[list(query_vector)],
        anns_field=VECTOR_FIELD,
        search_params=search_params,
        limit=top_k,
        output_fields=[DATA_ID_FIELD, TEXT_FIELD],
    )
    return {
        "mode": "range_search",
        "search_params": search_params,
        "filter": None,
        "results": results,
    }

3.3、混合检索

def hybrid_search(
    client: MilvusClient,
    collection_name: str,
    query_vector: Sequence[float],
    top_k: int,
    metric_type: str,
    data_ids: Sequence[str],
) -> Dict[str, Any]:
    """3. 向量 + 标量联合过滤：data_id in ['...', '...']。"""
    # json.dumps 会正确处理引号、逗号和特殊字符，避免手工拼接表达式出错。
    chunk_type_value = json.dumps("standard", ensure_ascii=False)
    data_id_values = json.dumps(list(data_ids), ensure_ascii=False)
    filter_expr = (
        f'chunk_type == {chunk_type_value} '
        f'and data_id in {data_id_values}'
    )

    search_params = {
        "metric_type": metric_type,
        "params": {},
    }
    results = client.search(
        collection_name=collection_name,
        data=[list(query_vector)],
        anns_field=VECTOR_FIELD,
        search_params=search_params,
        filter=filter_expr,
        limit=top_k,
        output_fields=[DATA_ID_FIELD, TEXT_FIELD, DATA_NAME],
    )
    return {
        "mode": "hybrid_vector_scalar",
        "search_params": search_params,
        "filter": filter_expr,
        "results": results,
    }