零基础学AI大模型之Milvus实战：Attu可视化安装+Python整合全案例

Ne0inhk

— 11 min read
零基础学AI大模型之Milvus实战：Attu可视化安装+Python整合全案例
大家好，我是工藤学编程 🦉一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型零基础学AI大模型之Milvus部署架构选型+Linux实战：Docker一键部署+WebUI使用

前情摘要

1、零基础学AI大模型之读懂AI大模型
2、零基础学AI大模型之从0到1调用大模型API
3、零基础学AI大模型之SpringAI
4、零基础学AI大模型之AI大模型常见概念
5、零基础学AI大模型之大模型私有化部署全指南
6、零基础学AI大模型之AI大模型可视化界面
7、零基础学AI大模型之LangChain
8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路
9、零基础学AI大模型之Prompt提示词工程
10、零基础学AI大模型之LangChain-PromptTemplate
11、零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战
12、零基础学AI大模型之LangChain链
13、零基础学AI大模型之Stream流式输出实战
14、零基础学AI大模型之LangChain Output Parser
15、零基础学AI大模型之解析器PydanticOutputParser
16、零基础学AI大模型之大模型的“幻觉”
17、零基础学AI大模型之RAG技术
18、零基础学AI大模型之RAG系统链路解析与Document Loaders多案例实战
19、零基础学AI大模型之LangChain PyPDFLoader实战与PDF图片提取全解析
20、零基础学AI大模型之LangChain WebBaseLoader与Docx2txtLoader实战
21、零基础学AI大模型之RAG系统链路构建：文档切割转换全解析
22、零基础学AI大模型之LangChain 文本分割器实战：CharacterTextSplitter 与 RecursiveCharacterTextSplitter 全解析
23、零基础学AI大模型之Embedding与LLM大模型对比全解析
24、零基础学AI大模型之LangChain Embedding框架全解析
25、零基础学AI大模型之嵌入模型性能优化
26、零基础学AI大模型之向量数据库介绍与技术选型思考
27、零基础学AI大模型之Milvus向量数据库全解析
28、零基础学AI大模型之Milvus核心：分区-分片-段结构全解+最佳实践
29、零基础学AI大模型之Milvus部署架构选型+Linux实战：Docker一键部署+WebUI使用

本文章目录

零基础学AI大模型之Milvus实战：Attu可视化安装+Python整合全案例

一、Attu可视化客户端：Milvus图形化管理利器

Attu是Zilliz团队专为Milvus向量数据库打造的开源图形化管理工具，核心价值是“让Milvus操作脱离命令行，降低学习与运维成本”。

核心特性

  • 跨平台兼容：支持Windows、Linux、macOS三大系统，同时提供Docker镜像部署方案
  • 开箱即用：无需编写任何代码，通过界面即可完成数据库、集合、索引的全生命周期管理
  • 深度集成：与Milvus生态无缝衔接，由官方团队维护，功能迭代与Milvus版本同步
  • 版本适配：需重点注意Attu与Milvus的版本匹配（当前实战环境：Milvus V2.5X，建议搭配Attu 2.5.X版本）
  • 开源地址：https://github.com/zilliztech/attu

核心功能模块

  • 数据库与集合管理：创建/删除数据库、定义集合字段（主键、标量、向量）、索引构建、数据导入导出
  • 分区与分片优化：支持按业务维度（时间/用户组）划分分区，分片数可配置（默认2个，支持水平扩展）
  • 向量检索能力：支持L2（欧氏距离）、余弦相似度等度量方式，结合标量过滤实现混合查询
  • 资源与权限控制：加载/释放内存数据，多角色权限分配（全局权限、集合权限、用户权限）

二、Attu安装实战（跨平台适配）

Attu支持多种安装方式，以下是不同系统的最简部署流程，核心目标：通过“IP+端口”连接Milvus服务。

1. 前置条件

  • 已部署Milvus服务（本地或远程，确保网络可通）
  • Milvus服务端口默认19530（TCP端口）、9091（HTTP端口）
  • 安装版本匹配：Milvus 2.5X → Attu 2.5.X（避免接口不兼容）

2. Windows系统安装

  1. 双击安装包，按向导完成安装（默认路径即可，无需额外配置）

启动Attu，在连接页面输入：Milvus服务IP + 端口19530，点击“Connect”即可登录

在这里插入图片描述

访问Attu GitHub Releases页面，下载Windows对应的exe安装包（如attu-windows-x64.exe）

在这里插入图片描述

3. macOS系统安装

  1. 下载macOS对应的dmg安装包（attu-macos-x64.dmg）
  2. 拖拽安装包到应用程序文件夹，完成安装
  3. 启动Attu，输入Milvus服务IP和19530端口，验证连接（若提示权限不足，右键选择“打开”即可）

4. Linux系统安装（Debian/Ubuntu）

  1. 下载deb安装包：wget https://github.com/zilliztech/attu/releases/download/v2.5.3/attu_2.5.3_amd64.deb（版本号可按需替换）
  2. 执行安装命令：sudo dpkg -i attu_2.5.3_amd64.deb
  3. 启动Attu：在终端输入attu，或通过应用列表启动，输入连接信息即可

5. Docker部署（跨平台通用方案）

  1. 拉取Attu镜像：docker pull zilliz/attu:v2.5.3
  2. 启动容器（映射本地8080端口，连接Milvus服务）：
docker run -p 8080:3000 -e MILVUS_URL=xxx.xxx.xxx.xxx:19530 zilliz/attu:v2.5.3
  1. 访问界面：打开浏览器输入http://localhost:8080，输入Milvus连接信息登录

三、Python整合Milvus：SDK安装与验证

Milvus提供多语言SDK（Python/Node.js/GO/Java），其中Python SDK（PyMilvus）是最常用的开发工具，以下是实战步骤。

1. 安装PyMilvus

核心要求：PyMilvus版本需与Milvus服务器版本匹配（当前环境：Milvus 2.5X → PyMilvus 2.5.5）

pip installpymilvus==2.5.5

2. 验证安装

执行以下命令，无报错则说明安装成功：

python -c "from pymilvus import Collection"

3. PyMilvus核心接口分类

  • DDL/DCL：创建/删除集合、分区，检查集合/分区是否存在（createCollection、dropCollection等）
  • DML/Produce：数据插入、删除、更新操作
  • DQL：向量搜索、标量查询、混合查询操作

四、Python操作Milvus核心流程

Python操作Milvus的核心链路：连接服务 → 数据库操作 → 集合操作 → 数据操作 → 检索查询，以下是关键步骤实战。

1. 连接Milvus服务

支持两种连接方式（推荐第二种MilvusClient，语法更简洁）：

# 方式1：使用connections.connect（传统方式）from pymilvus import connections, db # 连接远程Milvus服务（替换为你的服务IP） conn = connections.connect(host="192.168.229.128", port=19530)# 方式2：使用MilvusClient（推荐，Milvus 2.3+支持）from pymilvus import MilvusClient client = MilvusClient("http://192.168.229.128:19530")

2. 数据库操作（创建/使用/删除）

from pymilvus import connections, db # 连接服务 connections.connect(host="192.168.229.128", port=19530)# 1. 创建数据库（名称自定义） db.create_database("my_rag_database")# 2. 切换使用目标数据库 db.using_database("my_rag_database")# 3. 列出所有数据库 all_dbs = db.list_database()print("所有数据库：", all_dbs)# 输出：['default', 'my_rag_database']# 4. 删除数据库（谨慎操作！） db.drop_database("my_rag_database")

五、Collection与Schema实战：静态+动态字段

Collection是Milvus中的“数据表”，Schema定义表结构（字段类型、主键、向量维度等），支持静态字段和动态字段两种模式。

1. 核心概念

  • Schema：集合的结构定义，由多个FieldSchema（字段定义）组成
  • FieldSchema：单个字段的定义，包括名称、数据类型、是否为主键、向量维度等
  • 静态Schema：字段固定，需提前定义所有字段（适用于数据结构稳定的场景，如用户画像）
  • 动态Schema：支持新增未定义的字段（Milvus 2.3+支持，适用于日志、多变数据场景）

2. 字段类型详解（常用）

数据类型说明示例
INT6464位整型，常用作主键DataType.INT64
VARCHAR变长字符串，需指定max_lengthDataType.VARCHAR(max_length=50)
FLOAT单精度浮点数DataType.FLOAT
FLOAT_VECTOR浮点型向量，需指定dim（维度）DataType.FLOAT_VECTOR(dim=128)

3. 静态Schema+Collection创建

from pymilvus import connections, FieldSchema, DataType, CollectionSchema, Collection # 1. 连接服务并切换数据库 connections.connect(host="192.168.229.128", port=19530) db.using_database("my_rag_database")# 2. 定义字段（静态Schema：所有字段提前声明） fields =[# 主键字段：id（自增或手动指定） FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),# 向量字段：dim=128（需与嵌入模型输出维度一致） FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128),# 标量字段：文档标签 FieldSchema(name="doc_tag", dtype=DataType.VARCHAR, max_length=50)]# 3. 创建Schema（添加描述） schema = CollectionSchema( fields=fields, description="RAG系统文档向量集合（静态字段）", enable_dynamic_field=False# 关闭动态字段)# 4. 创建Collection（指定分片数，分布式场景关键） collection = Collection( name="static_doc_collection", schema=schema, shards_num=2# 推荐值：集群节点数×2，单节点场景默认2即可)print("Collection创建成功！")

4. 动态Schema+Collection创建与数据插入

动态Schema允许插入未定义的字段，灵活适配多变数据场景：

from pymilvus import connections, FieldSchema, DataType, CollectionSchema, Collection # 1. 连接服务 connections.connect(host="192.168.229.128", port=19530) db.using_database("my_rag_database")# 2. 定义核心字段（仅声明必要字段） fields =[ FieldSchema(name="id", dtype=DataType.INT64, is_primary=True), FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128)]# 3. 创建Schema（启用动态字段） dynamic_schema = CollectionSchema( fields=fields, description="RAG系统动态字段集合", enable_dynamic_field=True# 关键：开启动态字段)# 4. 创建Collection dynamic_collection = Collection( name="dynamic_doc_collection", schema=dynamic_schema, shards_num=2)# 5. 插入数据（包含未定义的动态字段color、doc_source） data =[{"id":0,"embedding":[0.358,-0.602,0.184,-0.263,0.903],# 简化为5维示例"color":"pink_8682","doc_source":"pdf_file_1.pdf"},{"id":1,"embedding":[-0.334,-0.257,0.899,0.940,0.538],"color":"grey_8510","doc_source":"docx_file_2.docx"}]# 插入数据（动态字段会自动作为键值对存储） insert_result = dynamic_collection.insert(data=data)print("数据插入成功，插入ID：", insert_result.primary_keys)

5. 关键参数说明

  • shards_num：分片数量，创建后不可修改，直接影响分布式扩展能力
  • enable_dynamic_field：是否启用动态字段，Milvus 2.3+版本支持
  • dim：向量维度，需与嵌入模型（如BERT、Sentence-BERT）输出的向量维度完全一致
如果觉得本文对你有帮助，欢迎点赞、收藏、关注～ 你的支持是我持续更新的动力！
请添加图片描述

Read more

贪心算法（局部最优实现全局最优）第二篇

贪心算法（局部最优实现全局最优）第二篇

目录 1. LeetCode376. 摆动序列 2. LeetCode334. 递增的三元子序列 3. LeetCode674. 最长连续递增序列 4. LeetCode121. 买卖股票的最佳时机 今天我们继续来聊聊贪心算法，因为我在前面也说过贪心算法最重要的就是经验，所以我们今天继续通过刷题的方式来学习贪心算法。 1. LeetCode376. 摆动序列 这道题的意思其实也比较好理解的，就是求一个最长的摆动序列，可以从原数组中删除不符合条件的数。 这道题的话我们先来聊一下思路，因为要求的是最长的子数组。根据题目要求那么是不是说我们每次选的数字都要在有限的分为里面做到尽可能的大或者尽可能的小。为什么要这么做呢？是因为但我们选到最值的时候我们在后面的选择中才可以有更多的选择。 我们看下面这个图，里面有abcdef这几个极值点。我们看，在c和d之间有一个点x1，假设我们在这里选择了这个点的话，那么后面的数都选不了了，因为接下来是要选择比x1小的数。这也是为什么我们每一次都要选择最值的原因。 那么我们代码该怎么设计呢？我们就可以试用一个三指针，通过比较的这三个指针的大

By Ne0inhk
【CANOE范例程序讲解】--- Python调用CANOE运行

【CANOE范例程序讲解】--- Python调用CANOE运行

1. 概述 本期讲解的是Python调用CANOE的范例程序。 工程路径： C:\Users\Public\Documents\Vector\CANoe\Sample Configurations 14.0.83\Programming\Python 2. 调用演示 打开工程路径文件夹显示如下。 在当前文件夹下打开cmd窗口。 在窗口中输入python RunAllTests.py。 按回车键运行。在cmd窗口中可以看到测试用例开始执行和执行完成的打印。 在cmd调用python脚本运行期间，canoe窗口自动打开，并自动运行测试用例脚本。执行如下所示。执行了TestModule和TestUnit两种类型的测试脚本。TestModule是canoe自带的测试脚本开发方式；TestUnit是使用vTESTstudio开发的测试脚本，可以在canoe中调用运行。 3. 程序讲解 3.1 类定义 程序中主要定义了5个类，分别CanoeSync、CanoeMeasurementEvents、CanoeTestModule、CanoeTestConfigurat

By Ne0inhk

基于Python的Qt开发之Pyside6 QtSerialPort库的使用

一、简介 QtSerialPort 是 PySide6 用于实现串口异步通信的核心模块，专门用于与串口设备（如单片机、传感器、蓝牙模块、串口打印机等）进行数据交互。 二、QtSerialPort库的核心内容 QtSerialPort 库的核心功能由两个关键类提供，核心操作类QSerialPort和辅助信息类QSerialPortInfo， 所有串口操作均围绕这两个类展开： 1、核心操作类：QSerialPort QSerialPort是实现串口通信的核心类，负责串口的配置、打开 / 关闭、数据读写、错误处理等核心操作，它的核心特性包括： * 支持串口参数配置（波特率、数据位、校验位、停止位、流控） * 提供异步读写接口（基于信号与槽，无阻塞） * 支持串口状态检测和错误反馈 * 支持数据缓冲区操作 QSerialPort 常用属性（串口参数） 串口通信的参数必须与外设保持一致，否则无法正常通信，常用参数如下： 参数类型示例说明波特率QSerialPort.Baud9600，QSerialPort.Baud115200串口通信速率，最常用

By Ne0inhk

【超详细教程】Python 连接 MySQL 全流程实战

Python 连接 MySQL 全流程实战教程（2026版超详细指南） 以下是基于 Python 3.12+ 和 MySQL 8.0+ 的从零到精通实战教程。我会按实际开发流程组织内容：环境准备 → 连接基础 → CRUD 操作 → 高级技巧 → 性能优化 → 完整项目示例 → 常见问题排查。 这个教程假设你有基本的 Python 知识（如变量、函数、异常处理）。我们优先使用 mysql-connector-python（Oracle 官方驱动，推荐），备用 pymysql（纯 Python，轻量）。 为什么学这个？ * MySQL 是最流行的关系型数据库（2026 年市场份额仍超 40%）。 * Python + MySQL 是 Web/App/

By Ne0inhk