登录社区云，与社区用户共同成长
邀请您加入社区
Milvus：企业级向量数据库解决方案 摘要：Milvus是一款专为大规模向量数据设计的高性能开源数据库，采用分布式架构解决单机数据库在十亿级向量场景下的性能瓶颈。其核心优势包括：1）存算分离的微服务架构，支持水平扩展；2）支持IVF、HNSW等高效ANN索引算法；3）提供四种一致性级别（强一致到最终一致）满足不同业务需求；4）支持多副本和故障转移机制确保高可用性。与轻量级方案ChromaDB相比
Milvus是一款开源的向量数据库，GitHub Star数已达44.189万，专注于AI应用中的向量搜索需求。作为LF AI & Data基金会项目，它采用Apache 2.0协议，支持分布式架构和数十亿级向量处理。主要优势包括：全面支持主流向量索引类型、多租户架构降低成本、完善的AI生态集成（如LangChain、OpenAI等）。开发者可通过Python SDK快速上手，官方还提供托
最开始接触 RAG 的时候，我也走过很典型的弯路：先把文档扔进向量库，再把问题做 embedding，最后 search top_k，觉得逻辑很直。真正上线之后才发现，最费时间的不是“能不能查到”，而是“后面怎么继续改”。不同模型的 embedding 接口形态不一样，有的更偏批量，有的更偏单条，有的返回字段很轻，有的返回字段很重。同一份文档可能要做多份索引，原因不是你想重复劳动，而是不同模型的向
RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与文本生成的先进AI架构，其核心在于让大语言模型在回答问题前，先从外部知识库中“查找资料”，再基于查到的信息生成准确、有依据的回答。这种方法有效缓解了大模型常见的知识过时、幻觉等问题。
我们之前做了个运维助手，用户查 “如何在 Nginx 上配置 HTTPS 证书”，检索出来的 Top3 高分文档，分别讲的是 Apache 的配置方法、早就停更的旧版本教程、甚至是 HTTPS 的原理解析。如果是快速验证、小流量场景，用 gpt-4o-mini 这类托管模型，不用自己运维，落地快，就是延迟和成本会高一些。一旦检索到过时的 API 用法，生成了错误代码，这段错误内容又被存进了记忆库，
Nano Banana 2：完成度直接拉满，加了窗框做前景有纵深感，东方明珠细节清、黄浦江有船只，光影层次分明，雨滴和水渍的质感几乎和实拍没差，4:1 超宽比例也没透视畸变，电商图绕不开文字，价签、营销标语、跨境多语言文案，这些都是是过去 AI 生图的通病，Nano Banana 2 的优势在于，能生成无错漏的易读文本，还支持多语言翻译和本地化。整体效果可以看到，初代 Nano Banana比较中
本文探讨了RAG（检索增强生成）技术在实际生产环境中的优化实践。通过同时接入Chroma和Milvus两种向量数据库，构建了一个支持混合检索的知识库系统。系统核心创新点包括：文档解析阶段保留Markdown结构、基于Token的智能文本切分、向量与BM25混合检索策略、查询扩展与RRF融合算法，以及重排序模型的应用。文章详细介绍了技术选型考量、文档处理流程、检索链路设计，并对比了不同方案的优缺点。
先把检索链路做稳，再谈模型有多强。先把本地闭环跑通，再考虑服务化扩展。中转层是接入工具，不是答案核心。向量引擎真正的价值，不是“看起来很先进”，而是它能不能让你的知识稳定被找回、让你的答案稳定能落地、让你的项目在普通机器上也能继续跑。对中小团队来说，这种稳定比任何演示都重要。文档有没有结构。chunk 有没有边界。metadata 有没有留下来。检索能不能命中。rerank 能不能把噪声压下去。更
如果只看标题，很多人会以为这篇文章是在比工具。实际上，我更关心的是，哪一种组合最适合小团队真的把项目做出来。做过几轮 RAG 之后，我越来越确认一件事：向量引擎不是最贵的那一层，最贵的是反复返工；API 中转也不是“多余的外壳”，它有时只是给后续切换留一道门。我写这篇记录，出发点很简单：站在实际开发者视角，把“能跑、能维护、能迁移”这三件事放在一起看。
Milvus 不仅是一个向量数据库，更是一个完整的非结构化数据处理平台。它通过存算分离的云原生架构、丰富的索引支持、原生的混合搜索和多租户能力，让构建 RAG、推荐系统、语义搜索等 AI 应用变得简单高效。无论你是 AI 初学者还是资深工程师，Milvus 都是值得深入掌握的利器。文章基于 Milvus v2.6.x 编写，部分 API 可能随版本变化。建议以官方文档为准。
长期记忆（存储 Agent 对话历史的知识片段）、知识库索引（RAG 的核心组件）和语义检索引擎（替代传统关键词搜索）。无论选择哪个产品，都要关注三个关键指标：召回率、查询延迟和写入吞吐量。在实际项目中，我建议先用 Chroma 快速验证方案可行性，当数据量增长或性能成为瓶颈时再平滑迁移到 Milvus 或 Qdrant。这种渐进式策略可以避免过早引入复杂的基础设施，同时保证后续的扩展能力。向量数
向量数据库已经从「有没有必要用」的阶段进入了「怎么用好」的阶段。对于 AI 应用开发者来说，理解不同向量数据库的定位和权衡，比纠结于某一种技术的细节更重要。从 Milvus 的工业级能力到 Chroma 的极简体验，向量数据库正在不断降低 AI 应用的门槛，让开发者能更专注于业务逻辑而非基础设施。
很多团队会倒过来，先做一层复杂的统一入口，再回头补检索逻辑。这个顺序通常不太对。因为治理层只能让系统更好管，不能替代检索质量本身。做 RAG 这件事，我后来越来越相信一个朴素原则：先选最容易维护、最容易解释、最容易扩展的方案。等它真的撑不住了，再升级。对小团队来说，最贵的不是某个组件本身，而是返工和失控。先用 FAISS 跑通原型。再用 Milvus 做正式底座。最后在需要治理的时候，再加向量 A
本文介绍了如何通过DBAPI企业版的HTTP执行器参数映射功能接入Milvus向量数据库。主要内容包括： Milvus简介：专为AI设计的开源向量数据库，支持海量向量存储和相似度搜索 DBAPI接入优势：统一API管理、参数映射简化、安全管控、零代码对接 核心功能：自定义映射模式通过JSON模板和Groovy表达式实现参数转换 实战步骤： 创建HTTP数据源指向Milvus服务 配置插入向量API
本文深入分析2026向量数据库技术选型：从Milvus到Pinecone，RAG场景下的性能对比与最佳实践：技术突破与开发实践全解析的核心技术突破、架构设计和开发实践，为AI开发者提供可落地的技术参考。
5.在做语义检索时，通过milvus内置的检索算法，可以检索到相关的向量及其他内容。4.将通过embedding model获取到的向量存储到collection中。2.定义Collection的schema信息（数据结构，有哪些字段）3.定义构建索引的逻辑，加速数据查询。1.构建Collection。
本文将以实战为导向，从零开始手把手带你完成以下目标：深入理解 Milvus 与 Redis 在 AI 系统架构中的定位与作用掌握 Docker Desktop 的安装与环境配置使用 Docker Compose 一键编排并部署 Milvus 和 Redis通过 Python SDK 完成服务的连接验证与基本操作了解常见问题的排查与解决思路无论你是刚接触容器化技术的新手，还是需要快速搭建本地开发环境
从本地文件夹 all-MiniLM-L6-v2 中加载预训练好的句子嵌入模型，创建一个可以直接把文字转成语义向量的工具all-MiniLM-L6-v2 放到项目同级目录。print(f"相似度得分：{hit['distance']:.4f} | 内容：{hit['entity']['text']}")这行代码是LangChain 里专门用来切分长文本的工具，作用只有一个：把一篇长文章、长文档，切成
看到这个报错先别急，这个问题通常是由于你拉取的 Milvus 镜像版本与系统的 NVIDIA 驱动，或是与 NVIDIA Container Toolkit 版本不兼容导致的。这是一个软硬件版本匹配的问题。我们可以通过以下三步，重新配置一个能正确调用 GPU 的 Milvus 环境。
在前一篇文章中，我们学习了 Embedding 模型如何将文本转换为语义向量，并构建了基于内存的文本分类器。但当你需要将成千上万甚至上亿个向量持久化存储并实现毫秒级检索时，简单的内存存储就力不从心了。向量数据库（Vector Database）正是解决这一挑战的核心基础设施，它专门优化了高维向量的存储、索引和相似度搜索。
问题解决手段怎么保证哪台机器都能跑？容器化（Docker）—— 把运行环境打包进镜像多个依赖组件怎么协同？编排（docker compose）—— 一份配置拉起所有服务挂了怎么办？健康检查 + 自动重启 + 监控告警设计决策解决什么问题三节点拓扑（推理/存储/监控）三类负载资源特征不同，分开互不抢资源Docker 多阶段构建编译/运行分离，镜像从 800MB 瘦到 200MBOllama/Redi
面试官可能会这么问："现在模型能力、工具调用、MCP 都成熟了，为什么 Agent 真正上生产还是容易翻车？"这个问题很关键。很多录友会说："因为模型还会幻觉。"
过去八九年，我们一直在做一件事：把向量数据库从一个很小众的系统方向，做成 AI 基础设施里的关键组件。
过去大半年里，我一直在帮不同规模的团队落地 AI Coding。从最早的一两个人试点，到十几个人的团队尝试让 AI 参与日常交付，再到开始设计下一步的演进路径，我反复碰到同一个现象：试点阶段所有人都很兴奋——代码生成快，骨架搭得漂亮，连测试都能帮忙补上几条。但到了推广阶段，事情就开始走形。
SDD：Spec-Driven Development，中文叫规格驱动开发，是在正式编码之前，先把需求变更的目标、范围、系统行为、设计约束和任务拆分通过文档（规格文档）确定下来，再让AI按照这些文档去开发，能够把模糊需求变成稳定的工程上下文，从而减少AI自己猜需求、误改历史逻辑和实现跑偏的问题。
内容比较多，可以收藏之后全文复制给你的Claude Code或者Codex阅读，叫它帮你操作。也可以上厕所的时候慢慢看，可以学到新的知识！
医疗 AI 最重要的边界不是“能不能回答”，而是不能在证据不足、版本不明、责任未闭环时假装给出临床结论。如果一名住院医把这样的问题交给 AI：一位 58 岁男性，反复发热三周，胸部 CT 有磨玻璃影，肝酶升高，外院用过两轮抗生素无效，既往有类风湿关节炎并长期服用甲氨蝶呤，最近还出现皮疹和轻度低氧；请判断下一步检查和用药策略。这个问题看上去像“疑难病例问答”，实际上不是一个问答问题，而是一个由病历时
过去我们开发 AI 应用，最常见的方式是：用户输入一句话，模型返回一段回答。这种方式适合聊天、问答、内容生成，但一旦你想让 AI 完成更复杂的任务，比如：
向量数据库的选型，本质上是在"灵活性"和"稳定性"之间做取舍。Chroma 是灵活性的极端，方便得几乎没有学习成本，但生命周期就到 PoC 为止；Milvus 是稳定性的极端，从百万到百亿的完整扩展路线，是专门为"认真做事"的场景设计的；Qdrant 则是两者之间的平衡点，但在国内生态和 OpenEuler 适配上略显薄弱。最怕的不是现在选错，而是选了一个"只能陪你走一半路"的产品，等到真正要上生
近段时间，AI智能体（AI Agent）发展迅猛，有不少人疑惑，在大模型已然强大的当下，为何还需要 AI Agent 呢？本文就用简单的语言带大家快速认识AI Agent ，了解大模型与智能体的区别，并从0到1搭建一个你自己的Agent。一、大模型和智能体有啥区别？简单来说，，知识渊博、能力出众，能回答问题、生成文章，但是它不能帮我们完成更复杂的任务。比如我想去青海玩，大模型可以帮我生成行程规划和
milvus
——milvus
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
AI Agent技术社区
AI编程社区
openEuler 社区
DeepSeek技术社区
脑启社区
