Milvus翻译站点

3周前发布 9 0 0

Apache-2.0 许可的企业级云原生向量数据库，万亿级向量毫秒检索，K8s 原生存算分离，LF AI 毕业项目。

语言：
英文
收录时间：
2026-08-24
打开网站手机查看
MilvusMilvus
Milvus打开网站

Milvus 是 Zilliz 主导开源的高性能云原生向量数据库，Apache-2.0 许可，LF AI & Data Foundation 毕业项目。专为大规模高维向量数据集的相似性搜索设计，在万亿向量数据集上实现毫秒级平均延迟​ 。

Milvus 2.0 起采用存算分离、全组件无状态的云原生架构，可根据负载类型按需弹性伸缩 。核心能力：丰富的 API、元数据过滤、混合搜索、多向量、实时流式更新、内置复制与故障转移 。

官方定位：”High-Performance Vector Database Built for Scale” ——它是向量数据库分类中“企业级分布式”的代表作，与 Qdrant（Rust 高性能过滤）、Weaviate（AI-native 混合检索）、Vespa（搜索+向量+排序一体化）、Pinecone（全托管 SaaS）形成清晰的差异化。

 

产品概述

Milvus 于 2019 年 10 月以 Apache-2.0 许可开源 ，目前是 LF AI & Data Foundation 的毕业项目（Graduate Project） ，由 Zilliz 公司作为主要贡献者维护 。

 

核心定位哲学：

官方首页开宗明义——”高性能向量数据库，为规模而构建” 。三个不可妥协的设计原则：

  • 为规模而生：在万亿向量数据集上保持毫秒级平均延迟
  • 云原生架构：存算分离、全组件无状态，按需弹性伸缩
  • 开发者友好：写一次代码，一行命令部署到生产

 

它做什么 / 不做什么（关键归类）：

  • ✅ 做：作为向量数据库服务运行 → 接收 Embedding 向量写入 → 构建全局索引（HNSW/IVF/DISKANN/GPU-CAGRA 等）→ 接收 ANN 相似度查询 → 元数据过滤 + 混合搜索 + 多向量检索 → 毫秒级返回 Top-K 结果
  • ❌ 不做：不生成 Embeddings（需外接嵌入模型或服务）、不做业务级 RAG 编排（是 RAG 的向量底座）、不提供全文检索与排序一体化（这是 Vespa 的能力）
  • 本质是向量数据库引擎：它是向量数据库分类中“企业级分布式”的代表——在万亿级向量规模上做毫秒级 ANN 检索，K8s 原生存算分离架构让资源调度极为高效 。

 

技术架构​ ：

  • 实现语言：Go + C++（硬件加速 CPU/GPU）
  • 架构模式：云原生，存算分离，所有组件无状态
  • 部署拓扑：
    • Milvus Lite：轻量级版本，pip install pymilvus[milvus-lite]，适合快速原型
    • Standalone：单机部署模式
    • Distributed：完全分布式模式，K8s 原生，处理十亿级向量上的数万查询
    • Zilliz Cloud：全托管服务，提供 Serverless / Dedicated / BYOC 三种选项
  • 索引算法：全局索引（HNSW 等），硬件加速 CPU/GPU
  • 能力矩阵：元数据过滤、混合搜索、多向量、实时流式更新、内置复制与故障转移/故障回退

 

许可策略：Apache-2.0 许可证 ，允许商用、修改、分发，无 copyleft 限制，是最干净许可阵营。

 

社区与生态​ ：

  • 45.4K GitHub Stars、4.1K Forks（持续增长的企业级向量数据库标杆）
  • LF AI & Data Foundation 毕业项目
  • PyPI 包 pymilvus，pip install -U pymilvus 安装
  • 丰富资源：文档、示例代码、Discord 社区、Contributing 指南

💡 与同层向量数据库的关键差异：

  • vs Qdrant：Qdrant 是 Rust 编写的高性能向量库，过滤检索极强、量化降内存；Milvus 是 Go/C++ 云原生分布式，万亿级规模毫秒检索
  • vs Weaviate：Weaviate 是 AI-native 数据库，BM25+向量混合检索原生、模块化 ML；Milvus 是纯粹的向量数据库引擎，规模与性能极致
  • vs Vespa：Vespa 是搜索+向量+排序+ML 推理一体化引擎；Milvus 专注向量 ANN 检索，万亿级规模优势明显
  • vs Pinecone：Pinecone 是全托管 SaaS（闭源）；Milvus 是开源 Apache-2.0，可自托管可上 Zilliz Cloud
  • vs VikingDB（已收录）：VikingDB 是火山/BytePlus 云原生全托管向量数据库，百亿级、多模态、稠密+稀疏混合检索；Milvus 是开源等价物，分布式规模可达万亿级

 

核心能力

 

-大规模向量检索（核心差异化）

  • 万亿向量毫秒检索：在万亿向量数据集上实现毫秒级平均延迟
  • 十亿级高并发：分布式模式下处理十亿级向量上的数万次搜索查询​
  • 全局索引：使用全局索引快速准确检索数据，无论规模如何
  • 硬件加速：CPU/GPU 硬件加速实现最佳向量搜索性能

 

-丰富检索能力

  • 元数据过滤：功能丰富的元数据过滤
  • 混合搜索：稠密向量 + 稀疏向量混合检索
  • 多向量：支持多向量表示
  • 距离度量：余弦、点积、欧氏距离（根据上下文推断的标准 ANN 度量）

 

-云原生弹性架构

  • 存算分离：Milvus 2.0 起采用存储与计算分离的云原生设计
  • 组件无状态：所有组件无状态，提升弹性与灵活性
  • 组件级伸缩：可根据负载类型按需组件级自动伸缩，资源调度高效
  • K8s 原生：完全分布式架构，K8s 原生部署

 

-生产级可靠性

  • 内置复制：确保数据高可用
  • 故障转移/回退：业务连续性保障
  • 实时流式更新：保持数据新鲜度
  • 始终在线：内置复制和故障转移/故障回退确保业务连续性

 

-多形态部署

  • Milvus Lite：pip install pymilvus[milvus-lite]，轻量单机，快速原型
  • Standalone：单机服务模式
  • Distributed：K8s 分布式集群，十亿级规模生产
  • Zilliz Cloud：全托管 Serverless / Dedicated / BYOC

 

-开发者体验

  • PyMilvus SDK：from pymilvus import MilvusClient
  • 一行代码部署生产：写一次代码，一行命令部署到生产环境
  • 一致体验：笔记本、本地集群、云端一致的用户体验
  • 丰富 API：为数据科学工作流设计的丰富 API

 

优势亮点

  • Apache-2.0 最干净许可：与 Qdrant/Vespa 同属最宽松许可阵营，商用、修改、分发无限制
  • 万亿级规模毫秒检索：官方明确定位”Trillion-scale vector datasets with millisecond search”
  • LF AI & Data Foundation 毕业项目：开源治理规范，企业采用风险低
  • 云原生存算分离：Milvus 2.0 全组件无状态，弹性伸缩极致
  • 45.4K GitHub Stars：向量数据库社区规模最高之一
  • 多形态部署：Lite / Standalone / Distributed / Zilliz Cloud 覆盖从原型到万亿级生产
  • 硬件加速：Go/C++ 实现 + CPU/GPU 硬件加速，性能极致
  • K8s 原生：完全分布式，处理十亿级向量上的数万查询
  • 生产级可靠性：内置复制、故障转移/回退、实时流式更新
  • 丰富检索能力：元数据过滤、混合搜索、多向量
  • Zilliz Cloud 全托管选项：Serverless / Dedicated / BYOC 三种形态

 

局限

  • 自己不生成 Embeddings：Milvus 只存储和检索向量，需外接嵌入模型（OpenAI、Hugging Face 等）或服务
  • 深度运维能力要求：Distributed 模式需要 K8s 集群管理经验，运维复杂度高于 Pinecone 全托管
  • 无原生全文检索与排序一体化：混合检索需应用层配合，不像 Vespa 那样搜索+向量+ML 推理+排序统一引擎
  • BM25 混合检索不如 Weaviate 原生：Weaviate 在数据库内核层原生融合 BM25+向量，Milvus 的混合搜索能力相对应用层
  • 无内置重排（Rerank）：不像 Vespa 那样内置分布式 ML 模型推理做 relevance ranking
  • 学习曲线：分布式部署、索引选型、参数调优需要向量数据库专业知识
  • 资源消耗：十亿级规模生产部署需要显著的 CPU/GPU/内存资源
  • 与 VikingDB 对比：VikingDB 是火山/BytePlus 云原生全托管（存算分离、百亿级、多模态、稠密+稀疏混合检索）；Milvus 是开源等价物，自托管需自己运维，但可达万亿级规模
  • 与 Qdrant 对比：Qdrant 在过滤检索与量化降内存方面更强，Milvus 在分布式规模与生态完整性方面更强
  • 与 Pinecone 对比：Pinecone 全托管零运维但闭源+供应商锁定；Milvus 开源可控但需自运维（或用 Zilliz Cloud）

 

适用人群

  • 企业级大规模向量检索：十亿至万亿级向量规模的 RAG、推荐系统、图像检索、语义搜索
  • 需要数据主权的团队：金融、医疗、政企等受监管行业，必须自托管且数据不出私网
  • K8s 云原生团队：已有 K8s 基础设施，希望向量数据库融入云原生技术栈
  • 多模态检索系统：图像检索、视频检索、跨模态检索（RAG、图像搜索、多模态搜索场景官方提及）
  • GraphRAG 应用：Milvus 官方文档明确支持 Graph RAG 场景
  • 高并发实时检索：需要每秒数万次查询的大规模生产系统
  • AI 应用开发者：基于 PyMilvus SDK 快速构建向量检索能力
  • Zilliz Cloud 用户：希望以全托管形态使用 Milvus 能力，Serverless / Dedicated / BYOC 三选项

 

安装与部署

 

1. 环境要求

  • Milvus Lite：Python 3.8+，pip install pymilvus[milvus-lite]
  • Standalone/Distributed：Linux x86_64 / ARM64，Docker / K8s
  • 生产推荐：K8s 集群 + 对象存储（S3/MinIO）+ 消息队列（Pulsar/NATS）

 

2. Milvus Lite 快速起步

# 安装
pip install -U pymilvus

# 使用 MilvusClient 创建客户端
from pymilvus import MilvusClient

# 本地文件持久化
client = MilvusClient("milvus_demo.db")

# 或使用 Zilliz Cloud / 自托管 Milvus
# client = MilvusClient(
#     uri="<endpoint_of_self_hosted_milvus_or_zilliz_cloud>",
#     token="<username_and_password_or_zilliz_cloud_api_key>"
# )

# 创建集合（768 维向量）
client.create_collection(
    collection_name="demo_collection",
    dimension=768
)

# 插入数据
# res = client.insert(collection_name="demo_collection", data=data)

# 向量搜索
# query_vectors = embedding_fn.encode_queries(["Who is Alan Turing?", "What is AI?"])
# res = client.search(
#     collection_name="demo_collection",
#     data=query_vectors,
#     limit=2,
#     output_fields=["vector", "text", "subject"]
# )

 

3. Docker Compose 部署 Standalone

# 下载 docker-compose.yml
wget https://github.com/milvus-io/milvus/releases/download/v2.4.13/milvus-standalone-docker-compose.yml -O docker-compose.yml

# 启动服务
docker compose up -d

# 验证
docker ps  # 应看到 milvus-etcd, milvus-minio, milvus-standalone 三个容器

# 连接
from pymilvus import MilvusClient
client = MilvusClient(uri="http://localhost:19530")

 

4. K8s 分布式部署

# 使用 Milvus Operator 或 Helm Chart
helm repo add milvus https://milvus-io.github.io/milvus-helm/
helm install my-release milvus/milvus --set cluster.enabled=true

# 或使用 Milvus Operator
# 参考官方 K8s 部署文档

 

5. Zilliz Cloud 全托管

from pymilvus import MilvusClient

# Serverless / Dedicated / BYOC 任一形态
client = MilvusClient(
    uri="https://your-instance.zillizcloud.com",
    token="your-api-key"
)

# 后续 API 与自托管完全一致

 

6. 部署前必检清单

  • 确认仓库位于 github.com/milvus-io/milvus（官方）
  • 许可：Apache-2.0 ，商用自托管无限制
  • 严格属于向量数据库分类，“企业级分布式”子类
  • 官方定位：”High-Performance Vector Database Built for Scale”
  • 开发方：Zilliz（主要贡献者），LF AI & Data Foundation 毕业项目
  • 实现语言：Go + C++，硬件加速 CPU/GPU
  • 架构：云原生存算分离，Milvus 2.0 起所有组件无状态
  • 规模能力：万亿向量数据集毫秒级平均延迟​
  • 部署形态：Milvus Lite / Standalone / Distributed（K8s）/ Zilliz Cloud（Serverless/Dedicated/BYOC）
  • 核心能力：元数据过滤、混合搜索、多向量、实时流式更新、内置复制与故障转移
  • 社区规模：45.4K GitHub Stars、4.1K Forks
  • 自己不生成 Embeddings，需外接嵌入模型/服务
  • 与 Qdrant（Rust 高性能过滤）、Weaviate（AI-native 混合检索）、Vespa（搜索+向量+排序一体化）、Pinecone（全托管 SaaS）差异化明确
  • 与 VikingDB（已收录）互补：VikingDB 是火山/BytePlus 云原生全托管，Milvus 是开源等价物且可达万亿级规模

相关导航