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

使用trae进行本地ai对话机器人的构建

使用trae进行本地ai对话机器人的构建

前言 在人工智能技术快速发展的今天，构建本地AI对话机器人已成为开发者和技术爱好者的热门选择。使用 trae可以高效地实现这一目标，确保数据隐私和响应速度。本文将详细介绍如何利用 Trae 搭建本地AI对话机器人，涵盖环境配置、模型加载、对话逻辑实现以及优化技巧，帮助读者从零开始构建一个功能完整的AI助手。 本地化AI对话机器人的优势在于完全离线运行，避免网络延迟和数据泄露风险，同时支持自定义训练模型以适应特定场景需求。无论是用于个人助理、客服系统，还是智能家居控制，Trae 都能提供灵活的解决方案。 获取api相关信息 打开蓝耘进行登录，如果你是新人的话需要进行注册操作，输入你相关的信息就能进行注册成功 在平台顶部导航栏可以看到Maas平台，点击进入模型广场 来到模型广场可以看到很多的ai模型，比如就有我们的kimi k2模型 点击进去可以看到kimi k2模型的相关信息，我们将模型的id进行复制，等会儿我们是要用到的 /maas/kimi/Kimi-K2-Instruct 并且这里还具有在线体验的功能，生成回答速度快 https://archive.

By Ne0inhk
低代码结合大模型：中小企业半天构建专属SaaS应用的完整路径

低代码结合大模型：中小企业半天构建专属SaaS应用的完整路径

👋 大家好，欢迎来到我的技术博客！ 📚 在这里，我会分享学习笔记、实战经验与技术思考，力求用简单的方式讲清楚复杂的问题。 🎯 本文将围绕AI这个话题展开，希望能为你带来一些启发或实用的参考。 🌱 无论你是刚入门的新手，还是正在进阶的开发者，希望你都能有所收获！ 文章目录 * 低代码结合大模型：中小企业半天构建专属SaaS应用的完整路径 😊 * 低代码与大模型：强强联合 💪 * 半天构建SaaS应用的路径 🛠️ * 阶段1: 需求分析与规划（1小时） 📋 * 阶段2: 平台设置与环境配置（1小时） ⚙️ * 阶段3: 应用开发与智能集成（2小时） 🎨 * 阶段4: 测试与部署（2小时） 🚀 * 最佳实践与注意事项 ⚠️ * 结语 🌟 低代码结合大模型：中小企业半天构建专属SaaS应用的完整路径 😊 在当今数字化浪潮中，中小企业往往面临资源有限、技术门槛高的挑战，难以快速构建定制化的SaaS（软件即服务）应用。然而，随着低代码平台和大型语言模型（LLM）的融合，这一局面正在改变。通过

By Ne0inhk
Windows 安装 Neo4j（2025最新·极简）

Windows 安装 Neo4j（2025最新·极简）

目录 1. 准备 2. 下载安装包 3. 一键安装 4. 启动 Neo4j 5.安装 Neo4j 的系统服务 Neo4j 是目前最流行的原生图数据库，用图结构（节点-关系-属性）存储数据，而非传统表结构。它专为海量关联数据设计，提供： * 原生图存储：基于免索引邻接结构，每个节点直接维护指向相邻节点的物理指针，实现 O(1) 时间复杂度的图遍历。 * Cypher 查询语言：ISO 标准化图查询语言，采用 ASCII-Art 模式匹配语法，支持可变长度路径、子图查询、聚合与更新混合事务。 * ACID 事务：支持完整事务、集群高可用，可承载企业级负载。 * 丰富生态：内置 Graph Data Science (GDS)

By Ne0inhk

比 OpenClaw 轻 99%！我用 nanobot 搭了个 QQ AI 机器人，还顺手贡献了代码

❝ 4000 行代码，打造你的私人 AI 助手❞ 前言 最近 AI Agent 领域有个项目特别火——「OpenClaw」，它是一个功能强大的 AI 助手框架，能让你拥有一个 7×24 小时在线的智能助理。 但当我 clone 下来准备研究时，发现它有 「43 万行代码」！对于想快速上手或做二次开发的个人开发者来说，这个体量实在太重了。 直到我发现了它的"轻量版"——「nanobot」。 nanobot：99% 的瘦身，核心功能全保留 nanobot 来自香港大学数据科学实验室（HKUDS），它的设计理念很简单： ❝ 用最少的代码，实现 AI Agent 的核心能力❞ 来看一组对比数据： 项目 代码行数 核心功能 OpenClaw 430,

By Ne0inhk