2026.10.11 · 文章

CentOS Stream 9 使用 Milvus：建库、建表与向量检索（对比关系型数据库）

用 pymilvus 的 MilvusClient 在 Milvus 中创建数据库、集合（表）与字段，插入数据、结构化查询、向量检索、读取和删除，并逐项对比关系型数据库的概念差异。

本文浏览量—

本文介绍如何在 CentOS Stream 9 上实际使用 Milvus：创建数据库、创建集合（相当于”表”）、定义字段、插入数据、做结构化查询和向量检索，最后删除数据。全文用 pymilvus 的 MilvusClient 客户端演示，并和关系型数据库（以 PostgreSQL 为代表）逐项对照，帮你把已有的 SQL 经验迁移过来。

前提：已经按上一篇《CentOS Stream 9 安装 Milvus 向量数据库》把 Milvus 跑起来（默认监听 127.0.0.1:19530），并已安装 pymilvus。示例向量用 2560 维，和《安装 Ollama 并运行 qwen3-embedding:4b》里模型的输出维度一致；实际使用时把随机向量替换成模型生成的向量即可。

一、先把概念对上号

Milvus 的概念和关系型数据库大体能一一对应，但也有几个是 SQL 里没有的：

关系型数据库（PostgreSQL）	Milvus	说明
Database	Database	顶层命名空间，里面放多个集合
Schema	无独立层级	Milvus 的 database 之下直接就是集合
Table 表	Collection 集合	相当于一张表
Column 列	Field 字段	每个字段有类型、长度等约束
Row 行	Entity 实体	一条记录
主键 Primary Key	主键字段	必填，类型只能是 INT64 或 VARCHAR
普通索引（B-tree）	向量索引（HNSW/IVF/FLAT）	为向量字段建索引
SELECT ... WHERE	query（标量过滤）	按字段值过滤，类似 SQL
ORDER BY 某列	search（向量相似度）	按”相似度”排序，SQL 无对应
JOIN / 外键 / 事务	不支持	Milvus 面向向量检索，不是通用 OLTP
精确等值/范围查询	支持	用过滤表达式实现
相似度（余弦/内积/L2）	metric_type	Milvus 独有的概念

一句话：Milvus 不替代关系型数据库。业务数据（订单、用户、文章内容）照旧放 PostgreSQL，把”语义向量”放进 Milvus 做相似度检索，两边用同一个主键（比如文章 id）关联起来。

二、连接 Milvus

from pymilvus import MilvusClient

client = MilvusClient(uri="http://localhost:19530", db_name="default")
print(client.list_databases())

MilvusClient(uri=...) 创建客户端，指向本机 19530 端口；db_name="default" 指定要操作的数据库，default 是 Milvus 自带的默认库。client.list_databases() 列出所有数据库，首次会看到 ['default']。这一步相当于 SQL 里连上数据库服务器并 SHOW DATABASES。

三、创建数据库（database）

client.create_database(db_name="my_blog")
print(client.list_databases())

client.using_database("my_blog")

create_database(db_name=...) 创建一个名为 my_blog 的数据库，对应 SQL 的 CREATE DATABASE my_blog。using_database("my_blog") 把当前客户端的默认库切到 my_blog，对应 SQL 的 USE my_blog——之后的集合操作都作用在这个库里。Milvus 的 database 只是集合的命名空间，下面没有 PostgreSQL 那样的 schema 层级。

提示：如果你的 Milvus 版本较老（2.3 及以前）不支持多数据库，可以跳过本节，直接在默认库 default 里建集合。

四、创建集合（collection / 表）

关系型数据库建表要先定列，Milvus 建集合也是先定义 schema（字段结构）：

from pymilvus import DataType

schema = client.create_schema(auto_id=True, enable_dynamic_field=True)

schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True)
schema.add_field(field_name="title", datatype=DataType.VARCHAR, max_length=512)
schema.add_field(field_name="category", datatype=DataType.VARCHAR, max_length=64)
schema.add_field(field_name="body", datatype=DataType.VARCHAR, max_length=4096)
schema.add_field(field_name="embedding", datatype=DataType.FLOAT_VECTOR, dim=2560)

逐行解释：

• create_schema(auto_id=True, ...) 创建一个 schema 对象。auto_id=True 表示主键由 Milvus 自动生成（相当于自增主键），插入数据时不用自己提供 id。
• enable_dynamic_field=True 允许之后动态写入 schema 里没定义的额外字段（类似”宽松模式”），方便临时加字段，但规范起见正式字段还是提前定义。
• add_field(field_name=..., datatype=..., ...) 定义每个字段。is_primary=True 标记主键；max_length 给 VARCHAR 指定最大长度；dim=2560 给 FLOAT_VECTOR 指定向量维度。
• DataType.INT64 是 64 位整数，DataType.VARCHAR 是变长字符串，DataType.FLOAT_VECTOR 是浮点向量——这几种是 Milvus 最常用的字段类型。

这相当于 SQL 里的：

CREATE TABLE articles (
    id        BIGINT PRIMARY KEY,
    title     VARCHAR(512),
    category  VARCHAR(64),
    body      VARCHAR(4096),
    embedding FLOAT_VECTOR(2560)
);

定义完字段后，为向量字段建索引，再真正创建集合：

index_params = client.prepare_index_params()
index_params.add_index(
    field_name="embedding",
    index_type="HNSW",
    metric_type="COSINE",
    params={"M": 16, "efConstruction": 200},
)

client.create_collection(
    collection_name="articles",
    schema=schema,
    index_params=index_params,
)

print(client.describe_collection("articles"))

prepare_index_params() 准备索引配置；add_index(...) 给 embedding 字段加一个 HNSW 类型、COSINE 度量的向量索引；create_collection 用 schema 和索引配置正式建集合（对应 CREATE TABLE）；describe_collection 查看集合结构和索引信息（类似 \d articles）。

五、索引与相似度度量

这是 Milvus 和 SQL 最大的区别：SQL 索引是为了加速”精确匹配/排序”，而 Milvus 的向量索引是为了加速”近似最近邻（ANN）”检索，它不保证绝对精确，而是在速度和精度之间权衡。

常用的 metric_type（度量方式，决定”像不像”怎么算）：

度量	含义	值怎么理解
COSINE	余弦相似度	值在 [-1, 1]，越接近 1 越相似；文本向量常用
IP	内积	越大越相似；向量归一化后等价于余弦
L2	欧氏距离	值越小越相似，0 表示完全相同

常用的 index_type（索引类型）：

索引	特点
FLAT	暴力全量比对，最精确但最慢，适合小数据量
IVF_FLAT	先聚类分桶再在桶内暴力，内存省、速度快，精度略降
HNSW	基于图，查询快、召回高，内存占用较大
AUTOINDEX	让 Milvus 自动选择，省心

示例里的 params={"M": 16, "efConstruction": 200} 是 HNSW 的构建参数：M 是图中每个节点的连接数，越大召回越高但内存越大；efConstruction 是构建时搜索宽度，越大索引质量越高但构建越慢。这两个都属于”按需调优”，入门直接用示例值即可。

六、插入数据（insert / upsert）

import random

def rand_vec():
    return [random.random() for _ in range(2560)]

base = rand_vec()

rows = [
    {
        "title": "Milvus 入门",
        "category": "教程",
        "body": "介绍如何在 CentOS Stream 9 上安装和使用 Milvus。",
        "embedding": [v + random.uniform(-0.02, 0.02) for v in base],
    },
    {
        "title": "Ollama 向量模型",
        "category": "教程",
        "body": "使用 qwen3-embedding:4b 生成 2560 维文本向量。",
        "embedding": [v + random.uniform(-0.02, 0.02) for v in base],
    },
    {
        "title": "关系型数据库对比",
        "category": "笔记",
        "body": "Milvus 与 PostgreSQL 的概念对照。",
        "embedding": rand_vec(),
    },
]

res = client.insert(collection_name="articles", data=rows)
print(res)

client.insert(collection_name=..., data=...) 插入一批数据，data 是一个字典列表，每个字典是一条记录，键名要和你定义的字段名一致。因为建表时开了 auto_id=True，这里没有提供 id，由 Milvus 自动生成；返回结果里能看到插入条数和生成的主键列表。

这里前两条的 embedding 是用同一个 base 向量加少量噪声生成的，第三条是随机向量，目的是让后面检索时前两条彼此更”相似”。实际项目里，embedding 应该用模型对 body 文本生成的向量（例如 qwen3-embedding:4b 的输出），而不是随机数——随机数只是为了让示例跑起来。

对应 SQL 的 INSERT INTO articles (title, category, body, embedding) VALUES (...)。如果要”存在就覆盖、不存在就插入”，用 client.upsert(...)（参数和 insert 相同），对应 SQL 的 ON DUPLICATE KEY UPDATE / ON CONFLICT DO UPDATE；普通 insert 遇到重复主键会报错。

七、结构化查询（query + filter）

Milvus 的 query 相当于”按字段值过滤”的 SELECT ... WHERE：

result = client.query(
    collection_name="articles",
    filter="category == '教程'",
    output_fields=["id", "title", "category"],
    limit=10,
)
for row in result:
    print(row)

filter 是过滤表达式，语法和 SQL 的 WHERE 很像，支持 ==、!=、>、<、>=、<=、in、like、and、or、not 等。例如 filter="category == '教程'" 对应 WHERE category = '教程'；filter="id in [1,2,3] and title like 'Milvus%'" 对应 WHERE id IN (1,2,3) AND title LIKE 'Milvus%'。output_fields 指定要返回哪些字段（向量字段体积大，默认不返回，需要时才列出来）；limit 限制返回条数。

这等价于：

SELECT id, title, category FROM articles WHERE category = '教程' LIMIT 10;

八、向量检索（search）

search 是 Milvus 的核心能力，SQL 没有直接对应物——它不是按某列值排序，而是按”向量之间的距离”排序：

query_vec = base  # 用第一条文档的向量作为查询

results = client.search(
    collection_name="articles",
    data=[query_vec],
    limit=3,
    output_fields=["title", "category"],
    search_params={"metric_type": "COSINE", "params": {"ef": 64}},
)

for hits in results:
    for h in hits:
        print(h["id"], h["distance"], h["entity"]["title"])

解释：

• data=[query_vec] 是一个”查询向量列表”，可以一次传多个查询向量，每个查询向量各返回一组结果。
• limit=3 表示每个查询返回最相似的 3 条，类似 SQL 的 LIMIT 3，但排序依据是相似度。
• output_fields 指定每条命中记录附带返回哪些标量字段。
• search_params 里 metric_type 要和建索引时一致，ef 是 HNSW 的查询参数，越大召回越高、越慢（构建时的 efConstruction 管建索引，查询时的 ef 管搜索）。
• 结果里 h["distance"] 是距离/相似度：COSINE 度量下越接近 1 越相似；h["entity"] 是命中的标量字段。

如果用 SQL 打比方，可以想象成：SELECT * FROM articles ORDER BY 与查询向量相似度 DESC LIMIT 3，只是这个”相似度”是向量计算出来的，SQL 本身表达不了。这也正是语义搜索的关键——你甚至可以用一条意思相近但用词完全不同的句子，命中另一条相关文档。

九、读取与删除（get / delete）

按主键精确读取，相当于 SELECT ... WHERE id = ...：

res = client.query(
    collection_name="articles",
    filter="title == 'Milvus 入门'",
    output_fields=["id"],
)
aid = res[0]["id"]

got = client.get(collection_name="articles", ids=[aid], output_fields=["title", "body"])
print(got)

client.get(ids=[...]) 按主键批量读取，比 query 更快，适合”已知主键拿记录”的场景。

删除数据：

client.delete(collection_name="articles", ids=[aid])

delete 可以按主键 ids=[...] 删除，也可以按条件 filter="category == '笔记'" 删除，对应 SQL 的 DELETE FROM articles WHERE id = ...。删除后数据会先从可查询结果里移除，物理清理由后台完成。

十、删除集合与数据库

client.drop_collection(collection_name="articles")
client.drop_database(db_name="my_blog")

drop_collection 删除集合（对应 DROP TABLE），drop_database 删除数据库（对应 DROP DATABASE）。两者都会把数据永久删掉，执行前确认已备份。删库前通常需要先删掉其中的集合，或先 using_database("default") 切走再删。

十一、与关系型数据库的核心差异总结

维度	关系型数据库	Milvus
主要目的	精确读写业务数据	按相似度检索向量
数据模型	表 + 行 + 列	集合 + 实体 + 字段（含向量字段）
查询方式	SQL（精确过滤、JOIN、聚合）	标量过滤 + 向量 ANN 检索
排序	按列值排序	按向量距离排序
事务/外键/JOIN	支持	不支持
全文/语义搜索	依赖额外引擎	原生向量语义检索
扩展方式	分库分表、读写分离	单机 standalone 或集群（K8s）

所以实际项目常见做法是”双库配合”：PostgreSQL 存文章正文和业务字段，Milvus 存文章的向量和主键；用户提问时，先用向量模型把问题转成向量，在 Milvus 里搜出最相关的几个主键，再回 PostgreSQL 拿全文，最后交给大模型组织回答。

十二、常见问题

集合建好后还能改字段吗

Milvus 集合的 schema 基本不可变更（不能随意增删字段或改维度）。规划阶段就要定好字段和向量维度；临时字段可以用 enable_dynamic_field=True 动态写入，或新建集合迁移数据。

向量维度对不上报错

写入的向量维度必须和集合定义一致。本文示例是 2560 维，对应 qwen3-embedding:4b；如果换模型或尺寸，先 ollama show 模型名 确认 embedding length，再按它建集合。

search 结果的距离看不懂

取决于 metric_type：COSINE 越接近 1 越相似；IP 越大越相似；L2 越小越相似。注意 metric_type 在索引、查询两端要一致。

filter 表达式报错

检查字符串值是否用单引号包裹、字段名是否写对、运算符是否支持。复杂条件用 and / or 组合，并用小括号明确优先级。

集合已经删了但磁盘没释放

Milvus 的删除是异步物理清理的，空间会延迟释放，属正常现象。需要立即回收可查官方文档的压缩/回收说明。

官方文档

• Milvus 核心概念：集合、字段、索引
• pymilvus MilvusClient 参考
• Milvus 过滤表达式语法
• Milvus 索引与度量类型
• Milvus 快速开始

命令和代码依据 pymilvus 与 Milvus v3.x 官方文档整理，核对日期：2026 年 10 月 12 日。客户端 API 和默认行为可能随版本变化，具体以官方文档为准。