cgft-llm Milvus向量数据库速成教程：RAG知识库不可或缺的语义检索底座-平芜编程栈

cgft-llm Milvus向量数据库速成教程：RAG知识库不可或缺的语义检索底座

【免费下载链接】cgft-llmcgft-llm 是一个学习大语言模型（LLM）开发的开源资源。它提供代码、文档和视频教程，帮助用户通过实践掌握前沿核心 LLM 技术项目地址: https://gitcode.com/echonoshy/cgft-llm

如果你正在搭建 RAG 知识库，那么 Milvus 向量数据库一定是绕不开的核心组件。它负责把文本变成向量、完成语义相似度检索，是整个 RAG 系统"以文找文"的语义检索底座。本文基于开源学习项目 cgft-llm 中的 Milvus 实战资料，用一篇速成教程帮你快速搞懂：Milvus 是什么、它和其他向量方案怎么选、以及从建表到检索的完整上手流程。

一、为什么 RAG 需要 Milvus 向量数据库？

大模型"有知识盲区"，RAG（检索增强生成）的思路是：先从知识库里检索出与问题最相关的内容，再喂给 LLM 生成回答。

而"检索"这一步，靠的不是关键词匹配，而是语义相似度——两句话用词完全不同，只要意思相近就能被找出来。这就是向量数据库的用武之地：

文本经过 Embedding 模型变成一组数字（向量）
语义越接近，向量距离越近
向量数据库专门负责海量向量的存储与快速相似度搜索

Milvus 正是其中最成熟的开源方案之一，广泛应用于 RAG 检索增强生成、对话机器人、图片识别、声纹识别等场景。

📌 在 cgft-llm 项目中，Milvus 相关内容位于 02-llm-core/milvus/，配套文档见 readme.md。

二、选型指南：Milvus vs Faiss vs ChromaDB

新手最常见的困惑：向量方案这么多，选哪个？下面是 readme.md 中总结的对比：

方案	定位	适合场景
Faiss	高性能计算引擎	纯向量计算加速，需自行搭配存储系统
Elasticsearch	功能强大的搜索框架	复杂搜索需求，功能复杂
Milvus	全功能向量数据库	大规模生产环境，支持 GPU 加速
ChromaDB	轻量级向量数据库	开发友好，适合轻量应用和快速迭代
Pinecone	闭源托管服务	不想自己运维的团队

一句话结论：学习期可用 ChromaDB 快速验证，上生产建议 Milvus。

三、了解 Milvus 的三个版本

Milvus 提供三种部署形态，按需选择：

Lite 精简版（开发版）：无需服务器，指定一个本地文件路径即可跑起来，最适合新手学习
Standalone 单机版：生产环境入门选择
Distributed 分布式版：海量数据、高并发场景

本文的速成教程就用最轻量的Lite 版，一个文件搞定环境。

四、快速上手：连接 Milvus 并建集合

完整可运行代码在 quick-start.ipynb，核心步骤只有四步：

1. 安装与连接

安装官方 Python 客户端：

pip install pymilvus

Lite 版连接只需指定本地文件路径：

from pymilvus import MilvusClient # lite 版本指定本地文件路径 client = MilvusClient("./milvus_demo.db") # 其他版本连接方式（使用 HTTP 协议连接到远程服务器） # client = MilvusClient(uri="http://localhost:19530", token="root:Milvus")

2. 创建集合（Collection）

集合（Collection）相当于关系数据库中的"表"，创建时只需指定向量维度：

client.create_collection( collection_name="demo_collection", dimension=10 # 向量维度 )

3. 插入数据

每条记录包含 ID、向量、文本以及任意附加字段（如主题标签）：

data = [ {"id": i, "vector": vectors[i], "text": docs[i], "subject": "history"} for i in range(len(docs)) ] res = client.insert(collection_name="demo_collection", data=data)

4. 向量相似度搜索

这是 Milvus 最核心的操作——传入查询向量，返回最相似的 N 条记录，还支持过滤条件：

res = client.search( collection_name="demo_collection", data=[vectors[0]], # 查询向量 filter="subject == 'history'", # 过滤条件 limit=2, # 返回结果数量 output_fields=["text", "subject"], )

搜索结果会带distance相似度分数，距离越接近 1 表示语义越相关。

五、常用运维操作速查

除了增查，quick-start.ipynb 还演示了日常维护集合的常用方法：

操作	方法	说明
按属性查询	`client.query(filter=...)`	按标量字段精确筛选记录
删除数据	`client.delete(filter=...)`	按条件批量删除
查看统计	`client.get_collection_stats(...)`	获取集合实体数量等统计信息
查看结构	`client.describe_collection(...)`	查看字段定义、向量维度、索引类型
检查存在	`client.has_collection(...)`	判断集合是否存在
列出集合	`client.list_collections()`	列出所有集合