P.S. 无意间发现了一个巨牛的人工智能教程，非常通俗易懂，对AI感兴趣的朋友强烈推荐去看看， 传送门https://blog.csdn.net/qq_34419312

前言

做RAG应用的同学，十有八九都要跟向量数据库打交道。

很多人上来就被环境劝退，装个软件折腾一下午，代码一行没写，光重启电脑了。

今天就拿Milvus开刀，从装环境到跑通相似度检索，一步一步给你捋明白。

1 环境准备

1.1 Windows下用Docker部署Milvus

先说好前提，Windows上装这个，你得先有WSL。

没装的打开PowerShell输一行命令就行，装完乖乖重启电脑，这步跳不过去。

然后装Docker Desktop，安装流程全程下一步，别瞎改配置。

装完别傻乎乎去注册登录，直接跳过就行，咱用的功能免费版完全够。

接下来配镜像加速，没代理的同学这步必做。

不然下载镜像慢到你以为网断了，喝杯茶回来进度条没动两格。

点设置找到Docker Engine，把国内镜像地址粘进去，保存重启Docker。

找个你想存放文件的文件夹，用管理员身份开PowerShell切过去。

下载官方的启动脚本，存成standalone.bat。

运行脚本启动Milvus，等着Docker拉镜像就行。

启动完成后，服务默认跑在localhost:19530，后面连接就用这个地址。

以后想开想关，直接在Docker界面点按钮，不用再敲命令，方便得很。

1.2 安装Python依赖

就四个包，pip一行命令就能装完。

pymilvus是官方客户端，langchain用来统一调用嵌入模型，剩下两个是辅助工具。

1.3 准备嵌入模型API

随便找个支持嵌入模型的平台，搞个API Key就行。

只要兼容OpenAI格式的服务都能用，不用死磕某一家。

整个.env文件存密钥和地址，别硬写在代码里，泄露了哭都来不及。

2 连接Milvus并创建数据库

2.1 建立客户端连接

几行代码的事儿，实例化MilvusClient，传本地服务地址就行。

打印一下现有数据库，默认会自带一个default库。

2.2 创建自定义数据库

Milvus支持多数据库隔离，咱自己整个rag_demo库，跟默认的分开用。

先查一下有没有重名的，没有就创建，创建完切换过去。

友情提示，删库之前得先把里面的集合全删干净，不然直接报错。

别问我怎么知道的，踩过坑的人都懂。

3 创建Collection集合

Collection就相当于关系型数据库里的表，专门存向量和附带的元数据。

3.1 检查并创建集合

创建的时候两个参数最关键：向量维度和相似度度量类型。

维度必须跟你用的嵌入模型输出严格对上，比如bge-m3就是1024维。

差一维都插不进去，就像买鞋买错码，硬塞肯定塞不进去。

相似度算法选COSINE余弦相似度，做语义检索就用这个，准没错。

先查一下集合是否存在，没有就创建，避免重复创建报错。

3.2 查看集合元数据

可以用describe_collection查看集合的详细信息。

默认会有id主键和vector向量字段，而且开了动态字段。

意思就是你随便加额外字段都行，不用提前定义表结构，对新手很友好。

4 准备嵌入模型

4.1 初始化模型

加载.env里的环境变量，用langchain的接口初始化嵌入模型。

填上模型名、api_key和base_url，参数对齐就能用。

4.2 生成测试向量

准备几条测试文本，调用embed_documents批量转成向量。

打印一下向量数量和维度，确认跟集合设置的对得上。

别等插数据的时候才发现维度不匹配，白忙活半天。

5 插入数据

把向量、原文、来源这些信息拼成字典，组成一个列表。

用upsert方法插入，有相同id就更新，没有就新增，很省心。

插完可以手动flush一下，强制数据落盘，心里踏实。

再查一下集合统计信息，看看行数对不对，确认插成功了。

6 数据查询与检索

6.1 遍历所有数据

数据量大的话，用query_iterator分批读取。

别一次性全捞出来把内存干爆，分批拿稳得很。

循环取数就行，用完记得把迭代器关了。

6.2 按主键批量查询

知道数据id的话，直接用get方法批量查，效率很高。

6.3 相似度检索

这才是向量数据库的灵魂功能，也是RAG的核心逻辑。

用户提个问题，先转成向量，然后在库里找最相似的Top-K条内容。

把问题向量传进去，设好返回条数和要返回的字段。

返回结果里的distance就是相似度得分，余弦模式下数值越高越相关。

你会发现语义最贴合的内容排在最前面，这就是RAG能精准召回的底气。

7 清理资源

测试完不用了，就顺手删掉集合和数据库，省得占地方。

再强调一遍，删库前先删集合，顺序别搞反，反了就报错。

8 踩坑提醒

维度必须一致，这是新手最高发的坑，没有之一。

度量类型别乱选，做RAG语义检索，闭眼选COSINE就行。

动态字段虽然灵活，但生产环境该定schema还是定，别图省事乱加字段。

插入和搜索都支持批量操作，数据多了记得用，效率能提一大截。

示例用的是默认FLAT索引，数据少没问题。

真上生产环境，得换HNSW这类索引，不然检索慢到你怀疑人生。

9 总结

这么一套流程走下来，从部署到检索的全链路就跑通了。

Docker跑Milvus单机版，pymilvus操作数据库，langchain调用嵌入模型，再加相似度检索。

这就是RAG系统的数据层底子。

接下来把召回的内容塞给大模型，就能搭出自己的问答应用了。

P.S. 无意间发现了一个巨牛的人工智能教程，非常通俗易懂，对AI感兴趣的朋友强烈推荐去看看，传送门https://blog.csdn.net/qq_34419312