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

标签

vector-database rag similarity-search go

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

相关文章

向量数据库RAGMilvus

向量数据库选型指南：Milvus、Chroma、Weaviate深度对比

全面对比主流开源向量数据库 Milvus、Chroma 和 Weaviate 的性能、功能和适用场景，帮助你选择最适合 RAG 应用的向量数据库。

阅读全文 →