最火向量數(shù)據(jù)庫Milvus安裝使用一條龍！

作者：磊哥 2025-04-27 00:00:00

Milvus 設(shè)計(jì)之初就是為 AI 而生的一個高效的向量數(shù)據(jù)庫系統(tǒng)，在大多數(shù)情況下，Milvus 的性能是其他向量數(shù)據(jù)庫的 2-5 倍，它能實(shí)現(xiàn)萬億級向量的毫秒級相似性搜索，而且 Milvus 還是開源的向量數(shù)據(jù)庫。

向量數(shù)據(jù)庫是大模型應(yīng)用開發(fā)必備組件之一，因?yàn)樗R庫、語義搜索、檢索增強(qiáng)生成（RAG）等人工智能應(yīng)用中發(fā)揮著舉足輕重的作用。但向量數(shù)據(jù)有很多，為什么要使用 Milvus 呢？

常見向量數(shù)據(jù)

常見的向量數(shù)據(jù)庫有以下這些：

Chroma
Elasticsearch
Milvus
Neo4j
OpenSearch
Redis
PGVector

然而目前市面上使用最多的向量數(shù)據(jù)庫還是 Milvus，為什么呢？

這點(diǎn)從企業(yè)的招聘要求中也能發(fā)現(xiàn)：

為什么是 Milvus？

Milvus 設(shè)計(jì)之初就是為 AI 而生的一個高效的向量數(shù)據(jù)庫系統(tǒng)，在大多數(shù)情況下，Milvus 的性能是其他向量數(shù)據(jù)庫的 2-5 倍，它能實(shí)現(xiàn)萬億級向量的毫秒級相似性搜索，而且 Milvus 還是開源的向量數(shù)據(jù)庫。

“
PS：也就說 Milvus 既開源（可以免費(fèi)使用+支持二次開發(fā)）又具備高性能，這樣的數(shù)據(jù)庫誰不愛呢？

為什么 Milvus 這么快？

Milvus 運(yùn)行比較快的原因有以下幾個：

硬件感知優(yōu)化：為了讓 Milvus 適應(yīng)各種硬件環(huán)境，我們專門針對多種硬件架構(gòu)和平臺優(yōu)化了其性能，包括 AVX512、SIMD、GPU 和 NVMe SSD。
高級搜索算法：Milvus 支持多種內(nèi)存和磁盤索引/搜索算法，包括 IVF、HNSW、DiskANN 等，所有這些算法都經(jīng)過了深度優(yōu)化。與 FAISS 和 HNSWLib 等流行實(shí)現(xiàn)相比，Milvus 的性能提高了 30%-70%。
C++ 搜索引擎：向量數(shù)據(jù)庫性能的 80% 以上取決于其搜索引擎。由于 C++ 語言的高性能、底層優(yōu)化和高效資源管理，Milvus 將 C++ 用于這一關(guān)鍵組件。最重要的是，Milvus 集成了大量硬件感知代碼優(yōu)化，從匯編級向量到多線程并行化和調(diào)度，以充分利用硬件能力。
面向列：Milvus 是面向列的向量數(shù)據(jù)庫系統(tǒng)。其主要優(yōu)勢來自數(shù)據(jù)訪問模式。在執(zhí)行查詢時，面向列的數(shù)據(jù)庫只讀取查詢中涉及的特定字段，而不是整行，這大大減少了訪問的數(shù)據(jù)量。此外，對基于列的數(shù)據(jù)的操作可以很容易地進(jìn)行向量化，從而可以一次性在整個列中應(yīng)用操作，進(jìn)一步提高性能。

Milvus 支持的搜索類型

Milvus 支持各種類型的搜索功能，以滿足不同用例的需求：

ANN 搜索：查找最接近查詢向量的前 K 個向量。
過濾搜索：在指定的過濾條件下執(zhí)行 ANN 搜索。
范圍搜索：查找查詢向量指定半徑范圍內(nèi)的向量。
混合搜索：基于多個向量場進(jìn)行 ANN 搜索。
全文搜索：基于 BM25 的全文搜索。
Rerankers：根據(jù)附加標(biāo)準(zhǔn)或輔助算法調(diào)整搜索結(jié)果順序，完善初始 ANN 搜索結(jié)果。
根據(jù)主鍵檢索數(shù)據(jù)。
查詢使用特定表達(dá)式檢索數(shù)據(jù)。

Milvus 安裝

Milvus 有三種部署方式：

Milvus Lite：Milvus Lite 是一個 Python 庫，可導(dǎo)入到您的應(yīng)用程序中。作為 Milvus 的輕量級版本，它非常適合在 Jupyter 筆記本或資源有限的智能設(shè)備上運(yùn)行快速原型。Milvus Lite 支持與 Milvus 其他部署相同的 API。與 Milvus Lite 交互的客戶端代碼也能與其他部署模式下的 Milvus 實(shí)例協(xié)同工作。
Milvus Standalone：Milvus Standalone 是單機(jī)服務(wù)器部署。Milvus Standalone 的所有組件都打包到一個 Docker 鏡像中，部署起來非常方便。
Milvus Distributed：Milvus Distributed 可部署在 Kubernetes 集群上。這種部署采用云原生架構(gòu)，攝取負(fù)載和搜索查詢分別由獨(dú)立節(jié)點(diǎn)處理，允許關(guān)鍵組件冗余。它具有最高的可擴(kuò)展性和可用性，并能靈活定制每個組件中分配的資源。Milvus Distributed 是在生產(chǎn)中運(yùn)行大規(guī)模向量搜索系統(tǒng)的企業(yè)用戶的首選。

“
PS：當(dāng)然中小型公司生產(chǎn)環(huán)境也可以直接購買 XXX 云的 Milvus 實(shí)例直接使用。

我們這里使用 Milvus Standalone 單機(jī)版部署方式。

硬件要求

前提條件

安裝 Docker Desktop：點(diǎn)擊下載軟件安裝 https://www.docker.com/get-started/

安裝之后，需要重啟電腦，并且電腦會進(jìn)行 Linux 子系統(tǒng)更新才能正常啟動，此過程可能會比較慢。
安裝 Windows Subsystem for Linux 2 (WSL 2)：通常不需要單獨(dú)安裝，安裝 Docker Desktop 時會自動安裝。

正式安裝

1.打開 PowerShell。

2.下載安裝腳本，命令如下：

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

3.運(yùn)行下載的腳本

standalone.bat start

最終執(zhí)行效果如下：

運(yùn)行安裝腳本后，包含以下內(nèi)容：

名為 Milvus-standalone 的 docker 容器已在19530 端口啟動。
嵌入式 etcd 與 Milvus 安裝在同一個容器中，服務(wù)端口為 2379。其配置文件被映射到當(dāng)前文件夾中的 embedEtcd.yaml。
Milvus 數(shù)據(jù)卷映射到當(dāng)前文件夾中的 volumes/milvus。

在 Docker Desktop 也可以看到安裝的 Milvus 相關(guān)組件：