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
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
- 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
访问Attu GitHub Releases页面，下载Windows对应的exe安装包（如attu-windows-x64.exe）
3. macOS系统安装
- 下载macOS对应的dmg安装包（attu-macos-x64.dmg）
- 拖拽安装包到应用程序文件夹，完成安装
- 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）
- 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）
- 执行安装命令：sudo dpkg -i attu_2.5.3_amd64.deb
- 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）
- 拉取Attu镜像：docker pull zilliz/attu:v2.5.3
- 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 - 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 |
|---|---|---|
| INT64 | 64位整型，常用作主键 | DataType.INT64 |
| VARCHAR | 变长字符串，需指定max_length | DataType.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！
