用户不仅可以使用 Ollama 提供的预训练模型，还可以在此基础上进行模型微调。根据自己的特定需求，开发者可以使用自己收集的数据对模型进行再训练，从而优化模型的性能和准确度。

近似近邻（ANN）搜索是一种基于向量嵌入索引文件的搜索方法，用于高效查找与查询向量最相似的向量子集。与传统的k-NearestNeighbors（kNN）搜索不同，ANN搜索通过预建索引文件快速定位相似向量，减少了计算开销。Milvus系统支持ANN搜索，并提供单向量搜索和批量向量搜索功能，用户可以根据指定的度量类型（如内积、L2距离等）计算相似度并返回前K个结果。

Milvus 由 Zilliz 开发，并很快捐赠给了 Linux 基金会下的 LF AI & Data 基金会，现已成为世界领先的开源向量数据库项目之一。它采用 Apache 2.0 许可发布，大多数贡献者都是高性能计算（HPC）领域的专家，擅长构建大规模系统和优化硬件感知代码。核心贡献者包括来自 Zilliz、ARM、英伟达、AMD、英特尔、Meta、IBM、Salesforce、阿里巴巴和微软

JSON字段是一种标量字段，它以键值对的形式与向量嵌入一起存储附加信息。

从 Spring 5 开始，Spring 中全面引入了 Reactive 响应式编程。而 WebClient 则是 Spring WebFlux 模块提供的一个非阻塞的基于响应式编程的进行 Http 请求的客户端工具。由于 WebClient 的请求模式属于异步非阻塞，能够以少量固定的线程处理高并发的 HTTP 请求。因此，从 Spring 5 开始，HTTP 服务之间的通信我们就可以考虑使用 W

在 Milvus 中，索引是特定于字段的，适用的索引类型因目标字段的数据类型而异。作为专业的向量数据库，Milvus 注重提高向量搜索和标量过滤的性能，因此提供了多种索引类型。下表列出了字段数据类型与适用索引类型之间的映射关系。字段数据类型适用索引类型平面IVF_FLATIVF_SQ8IVF_PQGPU_IVF_PQHNSWDISKANN二进制向量BIN_FLAT稀疏浮点矢量稀疏反转索引变量反转（

Milvus 提供了强大的过滤功能，支持通过多种操作符精确查询数据。这些操作符包括比较操作符（如等于、大于、小于等）、范围操作符（如 IN、LIKE）、算术操作符（如加、减、乘、除）、逻辑操作符（如 AND、OR、NOT）以及针对空值的 ISNULL 和 ISNOTNULL 操作符。此外，Milvus 还支持对 JSON 和 ARRAY 字段的查询，提供了如 JSON_CONTAINS、ARRAY

在 Milvus 中，实体指的是中共享相同Schema的数据记录，行中每个字段的数据构成一个实体。因此，同一 Collections 中的实体具有相同的属性（如字段名称、数据类型和其他约束）。将实体插入 Collections 时，要插入的实体只有包含 Schema 中定义的所有字段才能成功添加。插入的实体将按插入顺序进入名为_default的分区。如果存在某个分区，也可以通过在插入请求中指定分区

IVF_PQ和HNSW是两种用于高维向量近似近邻搜索的索引算法。IVF_PQ结合了反转文件（IVF）和乘积量化（PQ），通过聚类和量化技术减少内存需求，适用于大规模数据集。其核心步骤包括向量聚类、分配、反向索引和搜索，PQ则通过子空间编码和量化压缩向量表示，显著降低存储需求。HNSW则基于多层图结构，通过分层搜索实现高效查询，具有高精度和低延迟，但内存开销较大。HNSW的构建和搜索过程涉及参数如M

在 Milvus 中，数据库是组织和管理数据的逻辑单元。为了提高数据安全性并实现多租户，你可以创建多个数据库，为不同的应用程序或租户从逻辑上隔离数据。例如，创建一个数据库用于存储用户 A 的数据，另一个数据库用于存储用户 B 的数据。