Milvus

活跃

GitHub Go Apache-2.0

简介

Milvus 是一个高性能的开源向量数据库，专为 AI 应用程序构建。支持大规模向量数据的存储、索引和相似度搜索，适用于 RAG、推荐系统等场景。

核心特性

高性能向量搜索 — 支持 HNSW、IVF、FLAT、DiskANN 等索引类型，CPU/GPU 硬件加速
分布式架构 — 计算与存储分离，K8s 原生架构，支持水平扩展和高可用
多租户支持 — 数据库、集合、分区级别隔离，支持数百万租户
混合搜索 — 向量搜索与标量过滤结合，支持元数据过滤和范围搜索
Milvus Lite — 轻量级 Python 库，pip install 即可在本地快速启动
实时流式更新 — 支持实时数据插入和索引更新，保持数据新鲜

适用场景

💡 构建大规模 RAG 系统，为大语言模型提供外部知识检索

💡 实现推荐系统中的相似物品检索和个性化推荐

💡 构建多模态搜索系统，支持文本、图像等非结构化数据的相似度搜索

💡 部署企业级语义搜索引擎，支持十亿级向量的实时查询

💡 搭建 AI 应用的向量存储基础设施，管理嵌入向量和元数据

优势与不足

✅ 优势

• 活跃维护，近期持续更新
• 社区热度高（45.7k stars）
• 开源许可证友好（Apache-2.0）

分类

📚 RAG 工具

快速开始

# 安装 pymilvus
pip install -U pymilvus

# 使用 Milvus Lite 创建本地向量数据库
from pymilvus import MilvusClient

client = MilvusClient("milvus_demo.db")

# 创建集合
client.create_collection(
    collection_name="demo",
    dimension=768,
)

# 插入数据
client.insert(collection_name="demo", data=data)

# 向量搜索
res = client.search(
    collection_name="demo",
    data=query_vectors,
    limit=5,
)

访问 GitHub 访问官网查看文档

相关项目

Qdrant

34.0k · Rust

活跃 A

Qdrant 是一个用 Rust 编写的高性能、云原生向量数据库与向量搜索引擎，专为下一代 AI 应用提供大规模 ANN 检索能力。

vector-databaseragsimilarity-search +2

· 高性能 ANN — 基于 HNSW 与 Scalar Quantization，提供毫秒级向量检索
· 丰富过滤条件 — 支持 payload 过滤、地理空间查询与混合稀疏-稠密检索
· 多模态与多向量 — 支持稀疏向量、命名向量、推荐系统多向量召回

查看完整详情 → 在 GitHub 查看

RAGatouille

4.0k · Python

不活跃 C

轻松使用和训练最先进的后期交互检索方法（ColBERT），模块化设计，可将 ColBERT 模型集成到任何 RAG 管道中，显著提升检索精度。

ragpythonembedding +1

· ColBERT 后期交互检索：将先进的 ColBERT 模型封装为简单 API，无需深入了解检索论文即可在 RAG 管道中使用后期交互检索方法
· 端到端训练与微调：内置 RAGTrainer 和 TrainingDataProcessor，自动处理数据去重、正负样本配对和硬负例挖掘，支持从零训练或微调预训练模型
· 模块化可组合架构：DataProcessor、NegativeMiner 等组件可独立使用，也支持自定义 NegativeMiner 接入训练管道

在 GitHub 查看