Milvus 集成

Milvus 是一个用于存储、索引和管理由深度神经网络及其他机器学习（ML）模型生成的海量嵌入向量的数据库。

本 notebook 展示了如何使用与 Milvus 向量数据库相关的功能。

设置

您需要通过 pip install -qU langchain-milvus 安装 langchain-milvus 来使用本集成。

pip install -qU langchain-milvus

凭证

使用 Milvus 向量存储无需任何凭证。

初始化

# | output: false
# | echo: false
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

Milvus Lite

最简单的原型开发方式是使用 Milvus Lite，所有内容存储在本地向量数据库文件中。只能使用 Flat 索引。

from langchain_milvus import Milvus

URI = "./milvus_example.db"

vector_store = Milvus(
    embedding_function=embeddings,
    connection_args={"uri": URI},
    index_params={"index_type": "FLAT", "metric_type": "L2"},
)

Milvus 服务器

如果您有大量数据（例如超过一百万个向量），建议在 Docker 或 Kubernetes 上搭建性能更强的 Milvus 服务器。 Milvus 服务器支持多种索引。利用这些不同的索引可以显著提升检索能力，并根据您的具体需求加快检索过程。以 Milvus Standalone 为例，要启动 Docker 容器，可以运行以下命令：

!curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh -o standalone_embed.sh

!bash standalone_embed.sh start

Password:

在此创建一个 Milvus 数据库：

from pymilvus import Collection, MilvusException, connections, db, utility

conn = connections.connect(host="127.0.0.1", port=19530)

# Check if the database exists
db_name = "milvus_demo"
try:
    existing_databases = db.list_database()
    if db_name in existing_databases:
        print(f"Database '{db_name}' already exists.")

        # Use the database context
        db.using_database(db_name)

        # Drop all collections in the database
        collections = utility.list_collections()
        for collection_name in collections:
            collection = Collection(name=collection_name)
            collection.drop()
            print(f"Collection '{collection_name}' has been dropped.")

        db.drop_database(db_name)
        print(f"Database '{db_name}' has been deleted.")
    else:
        print(f"Database '{db_name}' does not exist.")
        database = db.create_database(db_name)
        print(f"Database '{db_name}' created successfully.")
except MilvusException as e:
    print(f"An error occurred: {e}")

Database 'milvus_demo' does not exist.
Database 'milvus_demo' created successfully.

请注意下面 URI 的变化。实例初始化后，请访问 127.0.0.1:9091/webui 查看本地 Web UI。以下是使用 Milvus 数据库服务创建向量存储实例的示例：

from langchain_milvus import BM25BuiltInFunction, Milvus

URI = "http://localhost:19530"

vectorstore = Milvus(
    embedding_function=embeddings,
    connection_args={"uri": URI, "token": "root:Milvus", "db_name": "milvus_demo"},
    index_params={"index_type": "FLAT", "metric_type": "L2"},
    consistency_level="Strong",
    drop_old=False,  # set to True if seeking to drop the collection with that name if it exists
)

如果您想使用 Zilliz Cloud（Milvus 的全托管云服务），请调整 uri 和 token，它们对应 Zilliz Cloud 中的公共端点和 API 密钥。

使用 Milvus 集合对数据进行分区

您可以在同一 Milvus 实例中将不相关的文档存储在不同的集合中。以下是创建新集合的方法：

from langchain_core.documents import Document

vector_store_saved = Milvus.from_documents(
    [Document(page_content="foo!")],
    embeddings,
    collection_name="langchain_example",
    connection_args={"uri": URI},
)

以下是检索已存储集合的方法：

vector_store_loaded = Milvus(
    embeddings,
    connection_args={"uri": URI},
    collection_name="langchain_example",
)

管理向量存储

创建向量存储后，我们可以通过添加和删除不同条目来与其交互。

向向量存储添加条目

我们可以使用 add_documents 函数向向量存储添加条目。

from uuid import uuid4

from langchain_core.documents import Document

document_1 = Document(
    page_content="I had chocolate chip pancakes and scrambled eggs for breakfast this morning.",
    metadata={"source": "tweet"},
)

document_2 = Document(
    page_content="The weather forecast for tomorrow is cloudy and overcast, with a high of 62 degrees.",
    metadata={"source": "news"},
)

document_3 = Document(
    page_content="Building an exciting new project with LangChain - come check it out!",
    metadata={"source": "tweet"},
)

document_4 = Document(
    page_content="Robbers broke into the city bank and stole $1 million in cash.",
    metadata={"source": "news"},
)

document_5 = Document(
    page_content="Wow! That was an amazing movie. I can't wait to see it again.",
    metadata={"source": "tweet"},
)

document_6 = Document(
    page_content="Is the new iPhone worth the price? Read this review to find out.",
    metadata={"source": "website"},
)

document_7 = Document(
    page_content="The top 10 soccer players in the world right now.",
    metadata={"source": "website"},
)

document_8 = Document(
    page_content="LangGraph is the best framework for building stateful, agentic applications!",
    metadata={"source": "tweet"},
)

document_9 = Document(
    page_content="The stock market is down 500 points today due to fears of a recession.",
    metadata={"source": "news"},
)

document_10 = Document(
    page_content="I have a bad feeling I am going to get deleted :(",
    metadata={"source": "tweet"},
)

documents = [
    document_1,
    document_2,
    document_3,
    document_4,
    document_5,
    document_6,
    document_7,
    document_8,
    document_9,
    document_10,
]
uuids = [str(uuid4()) for _ in range(len(documents))]

vector_store.add_documents(documents=documents, ids=uuids)

从向量存储删除条目

vector_store.delete(ids=[uuids[-1]])

(insert count: 0, delete count: 1, upsert count: 0, timestamp: 0, success count: 0, err count: 0, cost: 0)

查询向量存储

创建向量存储并添加相关文档后，您很可能希望在运行链或代理时对其进行查询。

直接查询

相似度搜索

通过元数据过滤进行简单相似度搜索的方法如下：

results = vector_store.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=2,
    expr='source == "tweet"',
)
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")

* Building an exciting new project with LangChain - come check it out! [{'pk': '9905001c-a4a3-455e-ab94-72d0ed11b476', 'source': 'tweet'}]
* LangGraph is the best framework for building stateful, agentic applications! [{'pk': '1206d237-ee3a-484f-baf2-b5ac38eeb314', 'source': 'tweet'}]

带分数的相似度搜索

您也可以带分数进行搜索：

results = vector_store.similarity_search_with_score(
    "Will it be hot tomorrow?", k=1, expr='source == "news"'
)
for res, score in results:
    print(f"* [SIM={score:3f}] {res.page_content} [{res.metadata}]")

* [SIM=21192.628906] bar [{'pk': '2', 'source': 'https://example.com'}]

使用 Milvus 向量存储时，所有可用搜索选项的完整列表请访问 API 参考。

转换为检索器进行查询

您也可以将向量存储转换为检索器，以便在链中更轻松地使用。

retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("Stealing from the bank is a crime", filter={"source": "news"})

[Document(metadata={'pk': 'eacc7256-d7fa-4036-b1f7-83d7a4bee0c5', 'source': 'news'}, page_content='Robbers broke into the city bank and stole $1 million in cash.')]

混合搜索

最常见的混合搜索场景是稠密向量 + 稀疏向量混合搜索，通过语义向量相似度和精确关键词匹配同时检索候选结果。这两种方法的结果经过合并、重排序后，传递给 LLM 生成最终答案。这种方法兼顾了精确性和语义理解，对各种查询场景都非常有效。

全文搜索

自 Milvus 2.5 起，通过 Sparse-BM25 方法原生支持全文搜索，将 BM25 算法表示为稀疏向量。Milvus 接受原始文本作为输入，并自动将其转换为存储在指定字段中的稀疏向量，从而无需手动生成稀疏嵌入向量。对于全文搜索，Milvus VectorStore 接受 builtin_function 参数。通过此参数，您可以传入 BM25BuiltInFunction 的实例。这与通常将稠密嵌入向量传递给 VectorStore 的语义搜索不同。以下是在 Milvus 中使用 OpenAI 稠密嵌入进行语义搜索、使用 BM25 进行全文搜索的混合搜索简单示例：

from langchain_milvus import BM25BuiltInFunction, Milvus
from langchain_openai import OpenAIEmbeddings

vectorstore = Milvus.from_documents(
    documents=documents,
    embedding=OpenAIEmbeddings(),
    builtin_function=BM25BuiltInFunction(),
    # `dense` is for OpenAI embeddings, `sparse` is the output field of BM25 function
    vector_field=["dense", "sparse"],
    connection_args={
        "uri": URI,
    },
    consistency_level="Strong",
    drop_old=True,
)

使用 BM25BuiltInFunction 时，请注意全文搜索适用于 Milvus Standalone 和 Milvus Distributed，但不适用于 Milvus Lite（尽管已在未来版本的路线图中）。Zilliz Cloud（全托管 Milvus）也将很快支持。如需更多信息，请联系 support@zilliz.com。

在上面的代码中，我们定义了一个 BM25BuiltInFunction 实例并将其传递给 Milvus 对象。BM25BuiltInFunction 是 Milvus 中 Function 的轻量级封装类。我们可以将其与 OpenAIEmbeddings 结合使用，以初始化稠密 + 稀疏混合搜索的 Milvus 向量存储实例。 BM25BuiltInFunction 不需要客户端传递语料库或进行训练，所有操作都在 Milvus 服务端自动处理，因此用户无需关心任何词汇表和语料库。此外，用户还可以自定义分析器，以在 BM25 中实现自定义文本处理。

对候选结果重排序

在第一阶段检索后，我们需要对候选结果重排序以获得更好的结果。您可以参阅重排序了解更多信息。以下是加权重排序的示例：

query = "What are the novels Lila has written and what are their contents?"

vectorstore.similarity_search(
    query, k=1, ranker_type="weighted", ranker_params={"weights": [0.6, 0.4]}
)

用于检索增强生成

有关如何将此向量存储用于检索增强生成（RAG）的指南，请参阅以下章节：

按用户检索

构建检索应用时，通常需要考虑多用户场景。这意味着您不仅为一个用户存储数据，而是为许多不同的用户存储数据，且他们不应能看到彼此的数据。 Milvus 推荐使用 partition_key 实现多租户。以下是一个示例：

分区键功能在 Milvus Lite 中不可用，如需使用，请按上述方法启动 Milvus 服务器。

from langchain_core.documents import Document

docs = [
    Document(page_content="i worked at kensho", metadata={"namespace": "harrison"}),
    Document(page_content="i worked at facebook", metadata={"namespace": "ankush"}),
]
vectorstore = Milvus.from_documents(
    docs,
    embeddings,
    connection_args={"uri": URI},
    drop_old=True,
    partition_key_field="namespace",  # Use the "namespace" field as the partition key
)

要使用分区键进行搜索，您应在搜索请求的布尔表达式中包含以下任一内容： search_kwargs={"expr": '<partition_key> == "xxxx"'} search_kwargs={"expr": '<partition_key> == in ["xxx", "xxx"]'} 请将 <partition_key> 替换为被指定为分区键的字段名。 Milvus 会根据指定的分区键切换分区，按分区键过滤实体，并在过滤后的实体中进行搜索。

# This will only get documents for Ankush
vectorstore.as_retriever(search_kwargs={"expr": 'namespace == "ankush"'}).invoke(
    "where did i work?"
)

[Document(page_content='i worked at facebook', metadata={'namespace': 'ankush'})]

# This will only get documents for Harrison
vectorstore.as_retriever(search_kwargs={"expr": 'namespace == "harrison"'}).invoke(
    "where did i work?"
)

[Document(page_content='i worked at kensho', metadata={'namespace': 'harrison'})]

API 参考

有关所有 __ModuleName__VectorStore 功能和配置的详细文档，请访问 API 参考：python.langchain.com/api_reference/milvus/vectorstores/langchain_milvus.vectorstores.milvus.Milvus.html

在 GitHub 上编辑此页面或提交问题。

通过 MCP 将这些文档连接到 Claude、VSCode 等工具，获取实时解答。

Popular Providers

Integrations by component

设置

凭证

初始化

Milvus Lite

Milvus 服务器

使用 Milvus 集合对数据进行分区

管理向量存储

向向量存储添加条目

从向量存储删除条目

查询向量存储

直接查询

相似度搜索

带分数的相似度搜索

转换为检索器进行查询

混合搜索

全文搜索

对候选结果重排序

用于检索增强生成

按用户检索

API 参考

Popular Providers

Integrations by component

​设置

​凭证

​初始化

​Milvus Lite

​Milvus 服务器

​使用 Milvus 集合对数据进行分区

​管理向量存储

​向向量存储添加条目

​从向量存储删除条目

​查询向量存储

​直接查询

​相似度搜索

​带分数的相似度搜索

​转换为检索器进行查询

​混合搜索

​全文搜索

​对候选结果重排序

​用于检索增强生成

​按用户检索

​API 参考

设置

凭证

初始化

Milvus Lite

Milvus 服务器

使用 Milvus 集合对数据进行分区

管理向量存储

向向量存储添加条目

从向量存储删除条目

查询向量存储

直接查询

相似度搜索

带分数的相似度搜索

转换为检索器进行查询

混合搜索

全文搜索

对候选结果重排序

用于检索增强生成

按用户检索

API 参考