milvus

环境要求

• Python 环境，已安装可用的 pip
• 若连接自建 Milvus 服务或 Zilliz Cloud，需准备 endpoint 与 token
• 使用 Milvus Lite 需安装 pymilvus[milvus-lite] 扩展包
• 从源码安装第三方依赖需克隆仓库并在 Linux/macOS 风格 shell 下执行脚本

安装与启动步骤

1. 1安装 Python SDK

   安装官方 Python SDK pymilvus，这是使用 Milvus 的最快入口，-U 表示升级到最新版。

   pip install -U pymilvus

   复制

2. 2安装 Lite 扩展

   想本地快速体验可不装服务端，额外安装 milvus-lite 扩展，用本地文件当向量库。

   pip install -U "pymilvus[milvus-lite]"

   复制

3. 3创建本地客户端

   传入本地文件名即可创建嵌入式向量库，数据会持久化到该 .db 文件，无需先起服务。

   from pymilvus import MilvusClient
   
   client = MilvusClient("milvus_demo.db")

   复制

4. 4连接已部署服务

   若已有自建 Milvus 或 Zilliz Cloud，用 uri 和 token 连接，token 为账号密码或云端 API Key。

   client = MilvusClient(
       uri="",
       token="")

   复制

5. 5创建集合

   集合相当于表，必须指定名称与向量维度；示例用 768 维，需与你的向量模型一致。

   client.create_collection(
       collection_name="demo_collection",
       dimension=768,  # The vectors we will use in this demo have 768 dimensions
   )

   复制

6. 6写入数据

   把向量及附带字段插入集合，返回结果 res 中包含插入条数等信息。

   res = client.insert(collection_name="demo_collection", data=data)

   复制

7. 7执行向量搜索

   把查询文本编码成向量后检索，limit 为返回条数 topK，output_fields 指定返回字段。

   query_vectors = embedding_fn.encode_queries(["Who is Alan Turing?", "What is AI?"])
   res = client.search(
       collection_name="demo_collection",  # target collection
       data=query_vectors,  # a list of one or more query vectors, supports batch
       limit=2,  # how many results to return (topK)
       output_fields=["vector", "text", "subject"],  # what fields to return
   )

   复制

8. 8源码装依赖

   从源码构建 Milvus 时，进入仓库目录执行依赖安装脚本，需具备编译环境（官方文档为准）。

   cd milvus/
   ./scripts/install_deps.sh

   复制

关键配置

如何确认成功

pip 安装无报错，MilvusClient("milvus_demo.db") 能成功创建客户端并生成该数据库文件，create_collection 与 search 正常返回结果即成功。

常见问题

注意事项

• README 节选未提供 Docker 部署命令，如用容器方式安装请以官网 install_standalone-docker 文档为准。
• 示例中的 embedding_fn、data 变量需由使用者自行准备，README 未给出其定义。
• Milvus Lite 适合本地开发验证，生产环境建议使用自建 Milvus 集群或 Zilliz Cloud 托管服务。
• 源码编译依赖脚本与系统环境强相关，执行前请确认磁盘、内存与编译工具链满足官方要求。