Milvus
面向 AI 应用、最具可扩展性的开源向量数据库——可扩展至数十亿个向量
Milvus 是一款专为可扩展相似度搜索和 AI 应用而打造的开源向量数据库。它最初由 Zilliz 创建,后捐赠给 LF AI & Data Foundation,Milvus 为包括 NVIDIA、AT&T、IBM 和 Salesforce 在内的公司提供生产级 AI 工作负载支持。当你需要扩展到数十亿个向量时,它是不二之选。
GitHub: milvus-io/milvus — 32K+ ⭐
Milvus vs Qdrant——何时选择谁
规模
数十亿个向量
数亿个
架构
分布式(多个服务)
单一二进制文件
设置复杂度
更高
将
GPU 索引支持
✅ 原生 GPU FAISS
有限
多租户
✅ 分区 + 别名
基于集合
流式摄取
✅ Kafka/Pulsar
有限
混合搜索
✅ 稠密 + 稀疏
✅
云托管选项
Zilliz Cloud
Qdrant Cloud
Milvus 架构
单机模式下的 Milvus(单服务器)包含:
milvus — 主服务(代理、查询、数据、索引协调器)
etcd — 元数据存储和服务发现
MinIO — 用于段数据的对象存储
在分布式模式(集群)下,每个组件都可独立扩展。
前提条件
带 GPU 租赁的 Clore.ai 账户
Docker Compose(通常已预装)
基础 Python 知识
16GB+ 内存(生产环境建议 32GB)
第 1 步——在 Clore.ai 上租用 GPU 服务器
前往 clore.ai → 市场
推荐 GPU: RTX 4090 或 A100,用于 GPU 加速索引
CPU 替代方案: 任何带有 32GB+ 内存的服务器,用于基于 CPU 的索引
最低要求:
CPU:8 核
内存:16GB(建议 32GB)
磁盘:50GB SSD/NVMe
GPU:可选(仅 GPU 索引类型需要)
第 2 步——部署 Milvus 单机版
Docker 镜像:
Milvus 单机版需要 etcd 和 MinIO。使用 Docker Compose 是最简单的设置方式。
端口:
端口 19530: Milvus SDK/gRPC 端口(主端口)
端口 9091: Milvus REST API 和健康检查(内部)
环境变量:
第 3 步——使用 Docker Compose 配置
通过 SSH 登录到你的 Clore.ai 服务器并创建 compose 文件:
自定义 docker-compose.yml
启动 Milvus
第 4 步——安装 Python 客户端
第 5 步——创建集合
在 Milvus 中, 集合 类似于数据库表。它具有带类型字段的模式,包括向量字段。
第 6 步——创建索引
在加载数据进行搜索之前,先创建合适的索引:
第 7 步——插入数据
第 8 步——搜索与查询
基础语义搜索
过滤搜索
混合搜索(稠密 + 稀疏)
第 9 步——构建 RAG 服务
第10步 — 监控和管理
故障排查
服务未启动
19530 端口连接被拒绝
大集合索引构建超时
内存使用过高
索引类型选择指南
FLAT
小型(<100万),精确搜索
高
慢
否
IVF_FLAT
中型(100万–1000万)
中等
好
否
HNSW
低延迟,<1亿
高
优秀
否
IVF_SQ8
压缩型,大规模
低
好
否
GPU_IVF_FLAT
快速批量查询
GPU+内存
最佳
是
DISKANN
十亿级规模
低(磁盘)
好
否
性能基准
100万向量
HNSW
RTX 3090
~8,000
1000万向量
IVF_FLAT
RTX 4090
~2,500
1000万向量
GPU_IVF_FLAT
A100
~12,000
1亿向量
DISKANN
A100
~1,200
更多资源
Milvus 训练营 — 示例应用
Zilliz Cloud — 托管版 Milvus
Attu 图形界面 — 用于 Milvus 管理的 Web 界面
Clore.ai 上的 Milvus 是 AI 应用的理想解决方案,尤其适用于需要扩展到数亿以上向量的场景。结合 GPU 加速的嵌入生成,您可以以远低于托管云服务的成本构建世界级的语义搜索和 RAG 系统。
Clore.ai GPU 推荐
开发/测试
RTX 3090(24GB)
$0.07–0.21/gpu/hr
生产级向量搜索
RTX 3090(24GB)
$0.07–0.21/gpu/hr
高吞吐量嵌入
RTX 4090(24GB)
$0.14–0.42/gpu/hr
💡 本指南中的所有示例都可以部署在 Clore.ai GPU 服务器上。浏览可用 GPU 并按小时租用——无需承诺,拥有完整 root 访问权限。
最后更新于
这有帮助吗?