Milvus 向量数据库实战：Attu 部署与 Python SDK 集成

• DDL/DCL：创建/删除集合、分区，检查集合/分区是否存在
• 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。

1. 连接 Milvus 服务

推荐第二种 MilvusClient，语法更简洁。

from pymilvus import connections, db

# 方式 1：传统方式
conn = connections.connect(host="192.168.229.128", port=19530)

# 方式 2：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

connections.connect(host="192.168.229.128", port=19530)

# 1. 创建数据库
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)

# 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，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 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，适用于数据结构稳定的场景
• 动态 Schema：支持新增未定义的字段，适用于日志、多变数据场景

2. 字段类型详解（常用）

3. 静态 Schema+Collection 创建

from pymilvus import connections, FieldSchema, DataType, CollectionSchema, Collection

connections.connect(host="192.168.229.128", port=19530)
db.using_database("my_rag_database")

fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128),
    FieldSchema(name="doc_tag", dtype=DataType.VARCHAR, max_length=50)
]

schema = CollectionSchema(
    fields=fields, 
    description="RAG 系统文档向量集合（静态字段）", 
    enable_dynamic_field=False
)

collection = Collection(
    name="static_doc_collection", 
    schema=schema, 
    shards_num=2
)
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

connections.connect(host="192.168.229.128", port=19530)
db.using_database("my_rag_database")

fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128)
]

dynamic_schema = CollectionSchema(
    fields=fields, 
    description="RAG 系统动态字段集合", 
    enable_dynamic_field=True
)

dynamic_collection = Collection(
    name="dynamic_doc_collection", 
    schema=dynamic_schema, 
    shards_num=2
)

data = [
    {"id": 0, "embedding": [0.358, -0.602, 0.184, -0.263, 0.903], "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"}
]

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，需与嵌入模型输出的向量维度完全一致