Milvus 向量数据库：核心原理与 Python 实战

三、Python 实战：结合真实 AI 模型的语义检索引擎

理论说完了，我们来写代码。

得益于 Milvus 2.4 版本引入的 Milvus Lite，Python 开发者现在不需要安装 Docker，直接通过 pip 安装即可在本地以文件形式运行 Milvus。

同时，为了体现'语义检索'的魔力，我们将使用真正的开源文本向量模型 sentence-transformers 来将文字转化为向量。

Step 1: 安装依赖包

我们需要安装 Milvus 的 Python 客户端，以及大名鼎鼎的 HuggingFace 向量化工具包：

pip install pymilvus sentence-transformers

Step 2: 完整实战代码

创建一个名为 milvus_semantic_search.py 的文件，填入以下代码：

from pymilvus import MilvusClient
from sentence_transformers import SentenceTransformer

# ==========================================
# 1. 初始化 AI Embedding 模型
# ==========================================
# 这里使用经典的轻量级开源模型，首次运行会自动下载 (约 80MB)
print("⏳ 正在加载开源 Embedding 模型...")
model = SentenceTransformer('all-MiniLM-L6-v2')
# 获取模型输出的向量维度 (该模型维度为 384)
dimension = model.get_sentence_embedding_dimension()
print(f"✅ 模型加载完成！向量维度：{dimension}")

# ==========================================
# 2. 初始化 Milvus 客户端 (Milvus Lite 模式)
# ==========================================
# 指定一个本地文件名，Milvus Lite 会在这个文件中存储所有数据
db_name = "milvus_blog_demo.db"
client = MilvusClient(db_name)
print(f"✅ 成功连接至本地 Milvus Lite 数据库：{db_name}")

# ==========================================
# 3. 创建集合 (Collection)
# ==========================================
collection_name = "tech_articles"
# 如果集合已经存在，先删除（方便反复测试）
if client.has_collection(collection_name):
    client.drop_collection(collection_name)
print(f"♻️ 已清理旧的集合：{collection_name}")

client.create_collection(
    collection_name=collection_name,
    dimension=dimension,  # 必须与 AI 模型输出的维度一致
    metric_type="COSINE"  # 对于文本检索，通常推荐使用余弦相似度
)
print(f"✅ 集合 '{collection_name}' 创建成功！")

# ==========================================
# 4. 准备写入的数据并进行向量化
# ==========================================
# 我们的基础资料库
articles = [
    "Milvus 是一款强大的开源向量数据库，非常适合 RAG 架构。",
    "向量数据库通过 HNSW 等索引算法，能够实现毫秒级的近似最近邻搜索。",
    "Python 是一门广泛用于人工智能和数据科学的编程语言。",
    "Redis 也可以用来做缓存，但处理海量向量不如专业的向量数据库。",
    "今天天气真不错，适合出去踏青。"
]

print("⏳ 正在使用 AI 模型将文档转换为向量入库...")
# 真实调用大模型获取 Embeddings
vectors = model.encode(articles)
data = []
for i, text in enumerate(articles):
    data.append({
        "id": i,              # 实体 ID
        "vector": vectors[i].tolist(),  # 向量字段必须是 list
        "text": text          # 附带的标量数据（Payload）
    })

# ==========================================
# 5. 插入数据
# ==========================================
insert_res = client.insert(
    collection_name=collection_name,
    data=data
)
print(f"✅ 成功插入 {insert_res['insert_count']} 条测试数据！")

# ==========================================
# 6. 进行语义相似度搜索
# ==========================================
# 注意：用户的提问在字面上根本没有包含 "Milvus" 或 "数据库" 这几个字
query = "推荐一个好用的 AI 知识库存储工具"
print(f"\n🔍 接收到用户查询：'{query}'")
print("⏳ 正在转换查询向量并在 Milvus 中搜索...")
# 对用户的提问进行向量化
query_vector = model.encode([query])
search_res = client.search(
    collection_name=collection_name,
    data=query_vector.tolist(),  # 待检索的 query 向量
    limit=2,                     # Top-K: 返回最相似的前 2 条结果
    output_fields=["text"],      # 在结果中一并返回原文文本
    search_params={"metric_type":"COSINE"}
)

# ==========================================
# 7. 打印结果
# ==========================================
print("\n🎉 搜索结果如下 (按语义相似度倒序排):")
for hits in search_res:
    for hit in hits:
        score = hit['distance']
        doc_text = hit['entity']['text']
        print(f" ➜ [相似度：{score:.4f}] {doc_text}")

print("\n演示结束。本地目录下已生成文件:", db_name)

运行结果与语义分析

当你在终端运行 python milvus_semantic_search.py 时，你将看到如下输出：

⏳ 正在加载开源 Embedding 模型...
✅ 模型加载完成！向量维度：384
✅ 成功连接至本地 Milvus Lite 数据库：milvus_blog_demo.db
✅ 集合 'tech_articles' 创建成功！
⏳ 正在使用 AI 模型将文档转换为向量入库...
✅ 成功插入 5 条测试数据！
🔍 接收到用户查询：'推荐一个好用的 AI 知识库存储工具'
⏳ 正在转换查询向量并在 Milvus 中搜索...
🎉 搜索结果如下 (按语义相似度倒序排):
 ➜ [相似度：0.5487] Milvus 是一款强大的开源向量数据库，非常适合 RAG 架构。
 ➜ [相似度：0.3846] 向量数据库通过 HNSW 等索引算法，能够实现毫秒级的近似最近邻搜索。
演示结束。本地目录下已生成文件：milvus_blog_demo.db 

为什么说这个结果非常惊艳？

仔细看用户的提问：'推荐一个好用的 AI 知识库存储工具'。这句话里完全没有出现'Milvus'或'数据库'等字眼。如果使用传统的 MySQL LIKE 或者 Elasticsearch 关键词匹配，是绝对搜不到第一句话的。

但是，通过 SentenceTransformer 提取的深层语义向量，再结合 Milvus 的高维空间余弦相似度计算，系统成功'理解'了**'AI 知识库存储工具'在概念上和'向量数据库'**是高度相关的！这就是 AI 时代检索引擎的真正威力。

四、总结：从这里走向 RAG

通过上面的真实模型代码，我们完整跑通了文本 -> AI 模型向量化 -> 存入 Milvus -> 用户提问向量化 -> Milvus 语义召回的全流程。

如果你想在这个基础上构建一个完整的 ChatGPT 知识库问答助手（RAG），只需要再加最后一步：把 Milvus 搜出来的结果（如上面的第一句话），连同用户的问题一起丢给 LLM（如 OpenAI API 或 DeepSeek），让它总结一下输出即可。

1. 专注高维：Milvus 完美解决了非结构化数据的大规模检索难题。
2. 极简起步：Milvus Lite 极大降低了初学者的门槛，开发体验如丝般顺滑。
3. 架构灵活：当你从个人项目走向十亿级数据的企业项目时，你可以一行代码不改，直接将连接地址切换到分布式部署的 Milvus 集群。