milvus-io/milvus

Milvus 是一个向量数据库，适合需要把大量 embedding 保持可检索、而不是自己训练模型的团队。它把向量与整数、字符串、JSON 等标量字段一起存储，支持带元数据过滤的最近邻搜索，因此在应用检索层超出单机容量时比较有用。

作用与机制

向量插入到声明了维度的 collection 中；查询返回 top-k 最近结果，并可指定返回字段。数据库支持 HNSW、IVF、FLAT、SCANN 与 DiskANN 等索引，并提供量化变体和 mmap 选项，以权衡内存与成本。

其关键机制是分布式设计：K8s 原生部署将计算与存储分离，读多时可增加 query node，写多时可增加 data node；副本会把数据段加载到多个 query node 上，以提高容错和吞吐。稀疏向量与稠密向量可放在同一 collection 中，从而把 BM25 全文检索或学习型稀疏 embedding 与语义搜索、重排结合起来。

三种运行方式

README 记录了三条路径，前置条件各不相同：

• Milvus Lite：pip install pymilvus[milvus-lite]，随后用本地文件路径实例化客户端。这是 Python 中最快的原型验证方式。
• Standalone 服务：基于 Docker 的单机部署，客户端用 URI 和凭据连接。
• 分布式集群：完全分布式、K8s 原生模式，面向大规模向量量的水平扩展。

从源码构建时，README 列出 Linux（Ubuntu 20.04+）、Intel macOS（Big Sur 11.5+）或 Apple Silicon macOS（Monterey 12.0.1+），并要求 Go ≥1.21、CMake ≥3.26.4 且 <4、Python >3.8 且 ≤3.11；Linux 路径另需 GCC ≥11，macOS 路径需 llvm ≥15。

运维特性与范围

项目声称支持用户认证、TLS 加密和基于角色的访问控制，如果数据库存放用户或业务数据，这些很重要。多租户可在 database、collection、partition 或 partition key 层级隔离。冷热存储把频繁访问的数据放在内存或 SSD，把较冷数据移到更便宜的介质。

以上是作者描述的能力；README 未说明升级或回滚行为，也没有独立的性能验证。benchmark 链接指向厂商的基准测试工具，因此结果应视为厂商自报。代码以 Apache-2.0 许可发布，由 LF AI & Data Foundation 治理。

生态包括 Python SDK、管理界面 Attu、Prometheus/Grafana 监控、CDC 同步，以及 Spark、Kafka、Fivetran 和 Airbyte 连接器。教程覆盖 RAG、混合搜索、图像与多模态搜索和推荐系统。

项目源码与说明