最火向量数据库Milvus安装使用一条龙！

向量数据库是大模型应用开发必备组件之一，因为它在知识库、语义搜索、检索增强生成（RAG）等人工智能应用中发挥着举足轻重的作用。但向量数据有很多，为什么要使用 Milvus 呢？

常见向量数据

常见的向量数据库有以下这些：

• Chroma
• Elasticsearch
• Milvus
• Neo4j
• OpenSearch
• Redis
• PGVector

然而目前市面上使用最多的向量数据库还是 Milvus，为什么呢？

这点从企业的招聘要求中也能发现：

为什么是 Milvus？

Milvus 设计之初就是为 AI 而生的一个高效的向量数据库系统，在大多数情况下，Milvus 的性能是其他向量数据库的 2-5 倍，它能实现万亿级向量的毫秒级相似性搜索，而且 Milvus 还是开源的向量数据库。

PS：也就说 Milvus 既开源（可以免费使用+支持二次开发）又具备高性能，这样的数据库谁不爱呢？

为什么 Milvus 这么快？

Milvus 运行比较快的原因有以下几个：

• 硬件感知优化：为了让 Milvus 适应各种硬件环境，我们专门针对多种硬件架构和平台优化了其性能，包括 AVX512、SIMD、GPU 和 NVMe SSD。
• 高级搜索算法：Milvus 支持多种内存和磁盘索引/搜索算法，包括 IVF、HNSW、DiskANN 等，所有这些算法都经过了深度优化。与 FAISS 和 HNSWLib 等流行实现相比，Milvus 的性能提高了 30%-70%。
• C++ 搜索引擎：向量数据库性能的 80% 以上取决于其搜索引擎。由于 C++ 语言的高性能、底层优化和高效资源管理，Milvus 将 C++ 用于这一关键组件。最重要的是，Milvus 集成了大量硬件感知代码优化，从汇编级向量到多线程并行化和调度，以充分利用硬件能力。
• 面向列：Milvus 是面向列的向量数据库系统。其主要优势来自数据访问模式。在执行查询时，面向列的数据库只读取查询中涉及的特定字段，而不是整行，这大大减少了访问的数据量。此外，对基于列的数据的操作可以很容易地进行向量化，从而可以一次性在整个列中应用操作，进一步提高性能。

<font style="color:rgb(25, 25, 25);">Milvus 支持的搜索类型</font>

Milvus 支持各种类型的搜索功能，以满足不同用例的需求：

• ANN 搜索：查找最接近查询向量的前 K 个向量。
• 过滤搜索：在指定的过滤条件下执行 ANN 搜索。
• 范围搜索：查找查询向量指定半径范围内的向量。
• 混合搜索：基于多个向量场进行 ANN 搜索。
• 全文搜索：基于 BM25 的全文搜索。
• Rerankers：根据附加标准或辅助算法调整搜索结果顺序，完善初始 ANN 搜索结果。
• 根据主键检索数据。
• 查询使用特定表达式检索数据。

Milvus 安装

Milvus 有三种部署方式：

• Milvus Lite：Milvus Lite 是一个 Python 库，可导入到您的应用程序中。作为 Milvus 的轻量级版本，它非常适合在 Jupyter 笔记本或资源有限的智能设备上运行快速原型。Milvus Lite 支持与 Milvus 其他部署相同的 API。与 Milvus Lite 交互的客户端代码也能与其他部署模式下的 Milvus 实例协同工作。
• Milvus Standalone：Milvus Standalone 是单机服务器部署。Milvus Standalone 的所有组件都打包到一个 Docker 镜像中，部署起来非常方便。
• Milvus Distributed：Milvus Distributed 可部署在 Kubernetes 集群上。这种部署采用云原生架构，摄取负载和搜索查询分别由独立节点处理，允许关键组件冗余。它具有最高的可扩展性和可用性，并能灵活定制每个组件中分配的资源。Milvus Distributed 是在生产中运行大规模向量搜索系统的企业用户的首选。

PS：当然中小型公司生产环境也可以直接购买 XXX 云的 Milvus 实例直接使用。

我们这里使用 Milvus Standalone 单机版部署方式。

硬件要求

前提条件

• 安装 Docker Desktop：点击下载软件安装 https://www.docker.com/get-started/安装之后，需要重启电脑，并且电脑会进行 Linux 子系统更新才能正常启动，此过程可能会比较慢。
• 安装 Windows Subsystem for Linux 2 (WSL 2)：通常不需要单独安装，安装 Docker Desktop 时会自动安装。

正式安装

1.打开 <font style="color:rgb(25, 25, 25);">PowerShell。</font>

2.下载安装脚本，命令如下：

Invoke-WebRequest https://raw.githubusercontent.com/milvus-io/milvus/refs/heads/master/scripts/standalone_embed.bat -OutFile standalone.bat

3.运行下载的脚本

standalone.bat start

最终执行效果如下：

运行安装脚本后，包含以下内容：

• 名为 Milvus-standalone 的 docker 容器已在19530 端口启动。
• 嵌入式 etcd 与 Milvus 安装在同一个容器中，服务端口为 2379。其配置文件被映射到当前文件夹中的 embedEtcd.yaml。
• Milvus 数据卷映射到当前文件夹中的 volumes/milvus。

在 Docker Desktop 也可以看到安装的 Milvus 相关组件：

参考官方文档：https://milvus.io/docs/zh/install_standalone-windows.md

安装 UI 客户端

Milvus 服务安装成功之后，可以按照一个 UI 客户端连接 Milvus 服务，使用官方提供的客户端 attu：https://github.com/zilliztech/attu

具体安装步骤如下：

1.访问下载安装包（attu-Setup-2.4.12.exe）地址：https://github.com/zilliztech/attu/releases/tag/v2.4.12

2.解压并安装 attu。

安装成功之后连接本地 Milvus 服务，如下图所示：

小结

Milvus 作为开源高性能向量数据库的代表，它的安装也不难，如果顺利的情况下，可能 5 分钟左右就搞定了。安装完成之后就用它加上 Spring AI 或 LangChain4j 来实现一下 RAG 功能吧。

本文已收录到我的技术小站 www.javacn.site，其中包含的内容有：Spring AI、LangChain4j、MCP、Function Call、RAG、向量数据库、Prompt、多模态、向量数据库、嵌入模型等内容。