🎯 课程主题

在 Docker 环境中安装 Milvus 向量数据库，掌握启动/停止命令，理解 Milvus 的四层数据模型（Database → Collection → Partition → Entity），并完成 pymilvus SDK 测试前的准备工作。

📝 核心知识点

1. Milvus 安装流程

  • 环境要求：Docker Desktop 已安装并处于运行状态（左下角绿色 Running）。

  • 安装目录：建议在非系统盘（如 D 盘）创建专用目录存放 Milvus 文件。

  • 安装步骤：

    1. 以管理员身份打开 PowerShell
    2. 切换到目标目录（如 D:\milvus）
    3. 下载官方 docker-compose YAML 文件（milvus-standalone-docker-compose.yml）
    4. 执行 docker compose up -d 启动（首次会自动拉取镜像，耗时取决于网速）
    5. 等待看到 started successfully 提示

  • 启停命令：

    docker compose up -d      # 启动（-d 表示后台运行）
docker compose stop        # 停止
docker compose down        # 停止并移除容器

  • 验证：启动后在 Docker Desktop 中可看到 milvus-standalone 容器处于 Running 状态。

2. pymilvus SDK 安装确认

pip show pymilvus

如果已在 requirements.txt 中安装过，可跳过此步骤。

3. Milvus 数据模型（四层结构）

层级概念对应关系型数据库说明
Database数据库Database隔离不同业务数据，默认有一个 default 数据库
Collection集合Table（表）核心逻辑容器，存储向量和元数据，包含 Schema 定义
Partition分区—（Milvus 特有）Collection 的子集，可选；不手动创建时至少有默认分区
Entity实体Row（行）具体的一条记录，包含向量字段 + 标量字段

4. 关系型数据库 vs Milvus 对比

关系型数据库:                   Milvus 向量数据库:
┌─────────────┐               ┌─────────────┐
│  Database   │               │  Database   │
│  └─ user    │               │  └─ rag_demo │
│  └─ product │               │     └─ docs_collection  ← 存向量+文本
│     └─ id   │               │        └─ _default     ← 默认分区
│     └─ name │               │           └─ entity:   ← 一条记录
│     └─ ...  │               │              ├─ vector (1024维)
│             │               │              └─ text    ("长江是...")
└─────────────┘               └─────────────┘

5. Collection 为何要同时存储向量和文本？

  • 向量用于相似度检索（找到最近邻）。
  • 文本用于展示结果（检索到相似向量后，需要把原始文本返回给用户/LLM）。
  • 只存向量不存文本 = 检索到了但不知道内容是什么，毫无意义。

🏗️ 架构与工作流

Milvus 单机部署架构 (Standalone)：

┌──────────────────────────────────────────────┐
│                 Docker Container              │
│                                               │
│  ┌─────────────────────────────────────────┐ │
│  │          Milvus Standalone               │ │
│  │                                          │ │
│  │  ┌─────────┐  ┌──────────┐  ┌────────┐  │ │
│  │  │ Root    │  │  Query   │  │ Data   │  │ │
│  │  │ Coord   │  │  Coord   │  │ Coord  │  │ │
│  │  └─────────┘  └──────────┘  └────────┘  │ │
│  │       │             │            │       │ │
│  │  ┌────▼─────────────▼────────────▼────┐  │ │
│  │  │     etcd + MinIO (内嵌存储)         │  │ │
│  │  └────────────────────────────────────┘  │ │
│  └─────────────────────────────────────────┘ │
│                      │                        │
│               Port 19530 (gRPC)               │
│               Port 9091  (HTTP)               │
└──────────────────────┼───────────────────────┘
                       │
              pymilvus Client

💻 代码实战

Milvus 安装完整步骤

# 1. 以管理员身份打开 PowerShell
# 2. 创建并切换到目标目录
D:
mkdir D:\milvus
cd D:\milvus

# 3. 下载 docker-compose 配置文件
# （课程提供或从 GitHub 下载 standalone 版本）
Invoke-WebRequest -Uri "https://github.com/milvus-io/milvus/releases/download/v2.4.0/milvus-standalone-docker-compose.yml" -OutFile "docker-compose.yml"

# 4. 启动 Milvus（首次需拉取镜像，约几分钟）
docker compose up -d

# 输出示例：
# [+] Running 3/3
# ✔ Container milvus-etcd     Started
# ✔ Container milvus-minio    Started
# ✔ Container milvus-standalone  Started
# milvus start successfully

# 5. 验证运行状态
docker compose ps
# 所有服务 STATUS 应为 Up

# 6. 停止 Milvus（不用时）
docker compose stop

# 7. 再次启动
docker compose up -d

pymilvus 安装检查

pip show pymilvus
# Name: pymilvus
# Version: 2.4.x
# ...

⚠️ 常见问题与避坑指南

  1. 管理员权限：PowerShell 需以管理员身份运行，否则 docker compose 可能报权限错误。
  2. 目录名避免中文和空格：Milvus 安装目录路径中不要包含中文或空格，避免兼容性问题。
  3. 首次启动下载较慢：国内需配合 Docker 代理或镜像加速（参考第 113 节配置），否则可能超时。
  4. 端口冲突：确保 19530（gRPC）和 9091（HTTP）端口未被占用。若冲突可修改 docker-compose.yml 端口映射。
  5. Collection ≠ Table：概念上接近但不等同，Collection 包含 Schema 定义（特别是向量维度和相似度度量方式）。
  6. 分区是可选的：不手动创建 Partition 也完全可用，每个 Collection 默认有 _default 分区。

💡 个人总结与延伸

  • Milvus 的四层模型比传统关系型数据库多了一层 Partition，这为大规模场景下的数据管理和查询优化提供了更大的灵活性。
  • Collection 是最核心的概念，后续 DDL/DML 操作主要围绕它展开。
  • 向量数据库存储的是一条条"向量 + 文本 + 元数据"的 Entity，检索时通过向量找到相似记录，然后返回关联的文本。
  • 下一节将使用 pymilvus 客户端进行 DDL 操作：创建/删除 Database 和 Collection。
最近更新:
Contributors: yangwenguang