Milvus向量数据库¶
介绍¶
在 AI 技术爆发的今天，大模型（LLM）已成为智能应用的核心引擎。然而，单纯的预训练模型存在知识滞后、幻觉问题、私有数据无法接入等致命缺陷。如何让 AI 拥有"长期记忆"和"私有知识库"？答案就是——向量数据库。
Milvus 作为全球领先的开源 向量数据库，已被 Salesforce、PayPal、Shopee、Airbnb 等 5000+ 企业采用，在 GitHub 上获得超过 30,000+ Stars，成为 AI 应用的基础设施标配。从 RAG（检索增强生成）到以图搜图，从个性化推荐到智能问答，Milvus 正在重塑我们构建 AI 应用的方式。
主要特点¶
| 特性 | 说明 |
|---|---|
| 高性能 | 支持十亿级向量的毫秒级检索，GPU 加速 |
| 云原生架构 | 存算分离设计，支持水平扩展（Kubernetes 部署） |
| 多索引类型 | 支持 IVF、HNSW、DiskANN 等多种 ANN 索引算法 |
| 混合搜索 | 支持向量搜索 + 标量过滤（metadata filtering） |
| 多语言 SDK | 提供 Python、Java、Go、Node.js 等客户端 |
| 生态丰富 | 与 LangChain、LlamaIndex、Spark 等无缝集成 |
高性能:官方说其性能是其他向量数据库（Vector Database）的2-5倍
应用场景¶
- RAG（检索增强生成）：为大语言模型提供外部知识库检索
- 以图搜图 / 以文搜图：电商商品搜索、版权图片检测
- 语义搜索：文档、代码、问答系统的智能检索
- 推荐系统：基于用户/物品向量相似度的个性化推荐
- 生物信息学：蛋白质序列、基因序列相似性分析
- 对话机器人
- 声纹识别
向量数据库对比¶
与关系数据库区别¶
首先先说一下向量数据库与传统关系数据库的不同，如你做了一个AI日记本应用，你想知道哪几天你的心情比较好。如果想知道如果你把日记存在 MySQL 里，你会怎么查？SELECT * FROM diary WHERE content LIKE '%开心%'？这种关键词匹配根本不靠谱。用户可能写的是"今天很愉快"、"心情不错"、"感觉很棒"，这些表达心情好的方式千变万化，关键词匹配会漏掉大量结果。 这就是传统关系型数据库在 AI 应用中的根本局限：它只能做精确匹配和关键词匹配，无法理解语义。 而向量数据库的本质就是：把文本转换成高维向量，通过向量之间的距离来衡量语义相似度。
传统数据库（MySQL、PostgreSQL）：
→ 精确匹配（SELECT * FROM users WHERE id = 123）
→ 结构化数据（数字、字符串、日期）
→ 索引：B-Tree、Hash
向量数据库（Milvus）： → 相似度匹配（找"语义最相似"的内容）
→ 非结构化数据（文本、图像、音频）
→ 索引：IVF、HNSW、DiskANN
不同向量数据库对比¶
- Faiss: 高性能计算引擎，适用于纯向量计算加速，但需要搭配存储系统。
- Milvus: 全功能向量数据库，适用于大规模生产环境，支持GPU加速，操作简单。
- Elasticsearch(ES): 性能强大，功能复杂。
- ChromaDB:开发友好，适用于轻量级应用和快速迭代。
- Pinecone:闭源。
Milvus版本¶
- Lite: 精简版(开发版)。
- Standalone:单机版。
- Distributed: 分布式版本。
推荐Lite和Distributed版 ，单机版功能比较完全但只放在一台机器上工作，不利于企业容灾。
Milvus Lite 目前支持以下环境：
* Ubuntu >= 20.04（x8664 和 arm64）
* MacOS >= 11.0（苹果硅 M1/M2 和 x8664）
参考文章中有基于Docker Desktop和Windows的Milvus本地部署教程。
参考文章¶
官方文档：https://milvus.io/docs/zh
PyMilvus官方API文档：https://milvus.io/api-reference/pymilvus/v2.4.x/About.md
人话版参考：https://zhuanlan.zhihu.com/p/1912478457285293545
docker部署milvus：https://blog.csdn.net/m0_62102955/article/details/151868248
向量数据库选择：https://zhuanlan.zhihu.com/p/1913557083133052735