🎯 课程主题

项目"尚硅谷 Assistant 客服知识库"的第一、第二阶段：全局配置常量定义与 Milvus 向量数据库的初始化（含客户端、数据库、Collection 的创建与管理），为后续文档写入和检索打好基础。

📝 核心知识点

  1. 项目全局架构：本案例整合了 RAG 核心生命周期的所有环节——文档加载 → 切分 → 向量化 → 存储 → 检索 → Agent 回答，共 8 个阶段。

  2. 全局配置常量：

    • MILVUS_URI：Milvus 服务地址（本地 http://localhost:19530）
    • DB_NAME：数据库名称
    • COLLECTION_NAME：Collection 名称（类比关系型数据库中的表）
    • DATA_FILE：知识库文件路径
    • EMBED_MODEL_NAME：嵌入模型名称（维度 1024）

  3. Milvus 客户端初始化：通过 MilvusClient(uri=...) 创建客户端对象，后续所有数据库操作均基于此 client 进行。

  4. 数据库管理：

    • client.list_databases() 列出已有数据库
    • 若目标数据库不存在，调用 client.create_database() 创建
    • 使用 client.use_database(db_name) 切换到指定数据库（类比 SQL 的 USE database）

  5. Collection 管理：

    • client.has_collection() 判断 Collection 是否存在
    • 若已存在，为避免冲突需先 client.drop_collection() 删除
    • client.create_collection() 创建新 Collection，关键参数：collection_name、dimension（向量维度，1024）、metric_type（相似度度量，"COSINE"）

🏗️ 架构与工作流

[阶段1] 全局配置: 定义 URL / DB名 / Collection名 / 文件路径 / 嵌入模型
       ↓
[阶段2] 初始化Milvus:
       MilvusClient(uri) → list_databases() → 不存在则 create_database() →
       use_database() → has_collection() → 存在则 drop_collection() →
       create_collection(name, dimension=1024, metric_type="COSINE")

💻 代码实战

# ============ 阶段1: 全局配置 ============
MILVUS_URI = "http://localhost:19530"
DB_NAME = "atguigu_assistant"
COLLECTION_NAME = "knowledge_base"
DATA_FILE = "./knowledge.txt"
EMBED_MODEL_NAME = "text-embedding-3-large"
EMBED_DIMENSION = 1024

# ============ 阶段2: 初始化 Milvus ============
from pymilvus import MilvusClient

# 2.1 创建客户端
client = MilvusClient(uri=MILVUS_URI)

# 2.2 查询已有数据库，若不存在则创建
existed_databases = client.list_databases()
if DB_NAME not in existed_databases:
    client.create_database(db_name=DB_NAME)

# 2.3 切换到目标数据库
client.use_database(db_name=DB_NAME)

# 2.4 检查并处理 Collection
if client.has_collection(collection_name=COLLECTION_NAME):
    # 已存在则删除，避免冲突
    client.drop_collection(collection_name=COLLECTION_NAME)

# 2.5 创建 Collection
client.create_collection(
    collection_name=COLLECTION_NAME,
    dimension=EMBED_DIMENSION,
    metric_type="COSINE"
)

⚠️ 常见问题与避坑指南

  1. create_database 参数名：部分版本需要显式使用 db_name= 关键字参数，直接传字符串可能报 missing parameter 错误。

  2. 重复运行时的 Collection 冲突：每次运行前通过 has_collection() 检查，若存在则 drop 掉再重新创建，保证实验环境干净可复现。生产环境需谨慎对待 drop 操作。

  3. metric_type 与后续检索一致性：创建 Collection 时指定的 metric_type="COSINE" 与后续 search() 返回的 distance 值语义一致，cosine 相似度值域为 [-1, 1]，越接近 1 越相似。

💡 个人总结与延伸

本节是项目的"地基"工程——全局配置集中管理避免硬编码散落各处，数据库和 Collection 的创建采用"先检查后创建"的防御性编程模式，保障多次运行的幂等性。

实际项目中，全局配置建议抽离到独立的 config.py 文件或使用 .env 环境变量管理。drop_collection 操作在开发阶段可以简化调试流程，但上线后需替换为更安全的策略（如判断是否已存在数据、增量更新等）。

最近更新:
Contributors: yangwenguang