milvus

多模态RAG实战：用LangChain+Milvus打造支持图文音视频的企业级知识库在企业知识管理的真实场景中，文档从来不只有文字。产品说明书里穿插着结构图，客服录音里藏着用户痛点，培训视频里讲透了 SOP 操作流程。传统 RAG（Retrieval-Augmented Generation）只处理文本，无法应对这些多模态内容，导致大量高价值信息被"沉默"在系统里。

weixin_30777913

Linux下Docker Compose里运行Milvus向量数据库故障诊断Shell脚本赋权： chmod +x milvus_compose_diag.sh 运行（默认前缀milvus）： sudo ./milvus_compose_diag.sh 自定义容器前缀： sudo ./milvus_compose_diag.sh milvus-v2

从本地 Demo 到生产级检索：Milvus 学习笔记（3）书接上回：从本地 Demo 到生产级检索：Milvus 学习笔记（2）示例（Examples）在使用 Highlighter 之前，请确保 Collection 已正确配置。

Earth explosion

大规模向量库的索引选型与查询性能调优：Milvus 实战指南很多团队在引入 Milvus 的时候，往往把精力放在 Embedding 模型选型、数据管道搭建、业务逻辑对接上，而忽略了最底层、也最关键的一环——向量索引选型。

从本地 Demo 到生产级检索：Milvus 学习笔记（2）书接上回：从本地 Demo 到生产级检索：Milvus 学习笔记（1）如果你在集合创建后新增了字段，并且在插入数据时没有为这些新字段指定值，Milvus 会自动填充：

从单体到微服务：Redis 协同 MySQL、Milvus、MinIO 搭建企业级RAG/AI Agent脚手架架构最近在落地多套Java后端RAG、AI Agent中台脚手架时，身边不少后端、AI开发同学都会有几个共性疑问：

RAG + 向量数据库实战：ChromaDB / Milvus / FAISS 选型与性能横评检索增强生成（Retrieval-Augmented Generation，RAG）是当前大模型应用落地的主流范式之一。其核心思想很简单：让 LLM 在回答问题前，先从外部知识库中检索相关上下文，再结合上下文生成答案。

Milvus-06-根据搜索条件查询数据库众所周知，查询需要一个查询条件，然后数据库根据这个查询条件，去数据库匹配，你完全可以理解成这个过程就是Mysql的Like，只不过实现原理不一样而已

Milvus-04-collection-metric_type度量类型COSINE/L2/IP只看方向，不看长度，两个向量方向越一致，说明向量越相近，-1最不像，1最像假设有3个二维向量，分别是A[1,1]，B[2,1]，C[-1,-1]，如果从坐标系中画3个点，会发现A和B的方向差不多，A和C的方向相反

Milvus-05-将文本变成向量并入库文本变成向量这个操作是由大模型的embedding模型去做的，根据业界约定，如果你看到模型内部由encode开头的函数，指的就是将XXX变成向量，具体XXX是什么不一定，文本，图片，视频什么的都有可能，本文的代码是我从官方文档中摘出来的，本文将when this guy woke up this morning, he was white这句话变成向量

【AI RAG知识库】05.【导入】【节点7】node_import_milvus.md文件: app/import_process/node_import_milvus.py节点作用: 数据加载流程的终点，负责将处理好的结构化数据（切片内容、元数据、向量）持久化存储到向量数据库中，构建可供即时查询的索引。

Milvus-02-创建collections本文内容承接上文Milvus-Lite版本环境安装，本章不会往数据库里写数据，只是讲如何创建表一个collections就相当mysql当中的一个表，下面的代码是创建1个叫collection_01的表

【AI大模型应用开发】【项目实战】13.RAG智慧问答项目-(一)项目介绍&项目架构&项目环境配置近年来，随着ChatGPT的广泛应用，基于大规模语言模型（LLM）的技术已成为人工智能领域的研究和应用热点,。尤其是大模型在各类自然语言处理任务中的成功应用，推动了教育行业的智能化转型。然而，当前市面上大多数大语言模型存在一个普遍的问题：这些模型主要依赖于过往的训练数据，无法动态获取最新的知识以及各企业特有的私有知识。这种局限性常常导致生成答案时出现“幻觉”问题，即模型提供的答案与实际情况不符或不准确。

阿拉斯攀登

向量数据库选型：Milvus vs Chroma vs ElasticsearchEmbedding 模型选好了，接下来第二个关键选型：往哪存这些向量？市面上的向量数据库少说也有十几个。我把最主流的三个——Chroma、Milvus、Elasticsearch——跑了一遍同条件的性能测试，今天给你一个不带废话的选型指南。

Windows安装Milvus（Docker部署）Milvus 是一个开源的、云原生的向量数据库，专为处理海量、高维的向量数据（即“嵌入向量”）而设计，以实现高性能的相似性搜索。

Milvus、Pinecone 与 FAISS 向量数据库选型与实战指南WEB项目地址：演示地址安卓APP下载地址：演示地址先搞清楚这三个东西到底是什么关系。用一句话概括：FAISS 是发动机，Milvus 是整车厂，Pinecone 是租车公司。

毒爪的小新

踩坑实录 | RAG知识库完整搭建-Milvus2.4+BGE大中文AI模型嵌入RAG（Retrieval-Augmented Generation，检索增强生成）在2020年被首次提出，是一种结合了信息检索技术与语言生成模型的人工智能技术。该技术通过从外部知识库中检索相关信息，并将其作为提示（prompt）输入给大型语言模型（LLMs），以增强模型处理知识密集型任务的能力。

[milvus-backup]milvus-standalone跨服务器迁移Milvus-Backup是一个允许用户备份和恢复Milvus数据的工具。Milvus备份过程对Milvus的性能影响可忽略不计。在备份和恢复过程中，Milvus集群仍完全正常运行。一般应用于对象存储的Milvus数据，现也支持本地存储的Milvus数据迁移。本文使用 milvus-backup 工具将 Milvus Standalone（local 存储）完整迁移到目标服务器，含踩坑实录。

milvus-standalone跨服务器迁移-local数据存储在本地且数据量不大（几十w不算大）时，Milvus迁移很简单：打包数据目录 → 传到目标机 → 解压 → 重启服务。

spring boot + langchain4j +milvus实现向量存储我在gitee上有整体的项目示例，有兴趣的可以拉下来看看：https://gitee.com/JR542784/langchain4j-test，如果不知道怎么部署milvus可以从我的主页走索milvus有相关的说明