[大模型]Milvus Lite安装

最新推荐文章于 2025-04-25 16:27:38 发布
最新推荐文章于 2025-04-25 16:27:38 发布
阅读量1.3k 收藏 10
点赞数 9
分类专栏： AGI 文章标签： milvus 语言模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46554590/article/details/141354103
版权

文章目录


Milvus 是一款开源的向量数据库，它主要特点是高可用、高性能和易扩展，主要用于处理海量向量数据的实时召回。它基于诸如 FAISS、Annoy、HNSW 等向量搜索库构建，核心功能是解决稠密向量相似度检索的问题。Milvus 在向量检索库的基础上，提供了数据分区分片、数据持久化、增量数据摄取、标量向量混合查询、时间旅行等功能，并显著优化了向量检索的性能，能够满足各种向量检索场景的应用需求。

前提

  1. 可以使用主机自带python解释器进行安装
  2. 但是避免相互冲突，本文仍然使用单独的环境来运行该服务
  3. 虚拟环境软件使用Anaconda

相关链接

官方网站

https://milvus.io/docs/milvus_lite.md

中文网站

https://www.milvus-io.com/getstarted/milvus_lite

创建虚拟环境

首先创建虚机环境，启动虚拟服务

conda create -n milvus_lite python=3.11

切换环境

conda activate milvus_lite

安装Milvus

pip install milvus

image.png
持久化运行Milvus

milvus-server --data D:\Application\server\milvus_lite

如果是linux则可以使用

milvus-server --data home\server\milvus_lite

会发现目录中自动创建了若干文件夹
image.png
命令行输出**Welcome to use Milvus!**表示运行成功
image.png

连接Milvus

attu连接工具

attu官方开源地址

https://github.com/zilliztech/attu

下载地址

https://github.com/zilliztech/attu/releases
image.png

连接

image.png
image.png

Milvus 核心设计（6）--- Milvus lite start 及存储策略
talentyiyy的专栏
07-08 1620
今天开始写下Milvus，为了方便，我直接使用的是 milvus-lite 版本，default 情况下，你可能不知道他到底将 db 存储到什么位置了。启动 default-server，看下Milvus 的start及存储逻辑。
高阶知识库搭建实战五、（向量数据库Milvus安装）
xiaoqi270620903的专栏
01-04 619
通过以上步骤，你可以在Windows环境下成功搭建并使用Milvus向量数据库，进行向量数据的存储、索引和搜索操作。
Windows下如何安裝MilvusLite
b055233的专栏
01-18 1693
背景：Milvus官網對於windows下安裝Milvuslite，官網沒有給出明確的操作流程，存在誤導信息。甚至很多時候資料都錯誤講windows無法安裝Milvuslite，甚至部分高贊文章！！！現整理如下。
Milvus-Lite 开源项目安装与使用指南
gitblog_00163的博客
10-11 542
Milvus-Lite 开源项目安装与使用指南 milvus-lite 项目地址: https://gitcode.com/gh_mirrors/em/embd-milvus ...
约等于0基础的milvus原理及使用说明
weixin_36998410的博客
03-29 1663
Milvus是一个专门用来管理和搜索向量数据的数据库，可以简单的认为是搜索引擎，简单的说向量和原始数据会存在映射关系，通过向量搜索再找到原始数据，而向量可以认为是数组。提高搜索效率 milvus不同的索引类型可以适配不同应用场景，能快速定位到与查询向量最近似的数据点，从而大幅度减少搜索时间,例如对于大规模数据集，使用IVF_FLAT索引可以将搜索范围限定在特定的聚类内，避免全量搜索。优化存储空间 不分索引类型IVF_SQ8，通过量化的方式将浮点数压缩为更小的数据类型，从而有效的减少空间占用。
最火向量数据库Milvus安装使用一条龙！
最新发布
磊哥聊Java
04-25 621
Milvus 设计之初就是为 AI 而生的一个高效的向量数据库系统，在大多数情况下，Milvus 的性能是其他向量数据库的 2-5 倍，它能实现万亿级向量的毫秒级相似性搜索，而且 Milvus 还是开源的向量数据库。PS：也就说 Milvus 既开源（可以免费使用+支持二次开发）又具备高性能，这样的数据库谁不爱呢？
ModaHub魔搭社区：向量数据库Milvus Lite 的优势和安装教程
实战AI智能体
07-04 920
需要注意的是，我们不推荐在任何生产环境中使用 Milvus Lite，也不推荐在需要高性能、高可用性或高可扩展性时的场景下使用 Milvus Lite。总体而言，无论用户是何种身份（研究人员、开发者或者数据科学家），Milvus Lite 都是一个不错的选择，尤其对于那些想要在受限的环境中使用 Milvus 功能的用户而言，更是如此。值得注意的是，Milvus Lite 用 manylinux2014作为基础镜像，以便与 Linux 用户的大多数发行版兼容。从我们的项目库的示例文件夹中下载示例代码（
Milvus - 安装与部署教程
花千树的专栏
09-23 6141
适用于 Jupyter Notebook 或边缘设备的轻量级 Python 库。: 在单台服务器上运行的独立版，适合中小规模的生产部署。: 部署于 Kubernetes 集群上的分布式架构，适合处理超大规模数据。
ModaHub魔搭社区：如何安装、部署和使用 Milvus Lite?
实战AI智能体
07-06 2202
总体而言，无论用户是何种身份（研究人员、开发者或者数据科学家），Milvus Lite 都是一个不错的选择，尤其对于那些想要在受限的环境中使用 Milvus 功能的用户而言，更是如此。
Milvus Lite：轻量级向量数据库，助力AI应用快速开发
gitblog_00824的博客
10-11 1417
Milvus Lite：轻量级向量数据库，助力AI应用快速开发 milvus-lite 项目地址: https://gitcode.com/gh_mirrors/em/embd-milvus ...
推荐开源项目：Milvus Lite —— 轻量级向量数据库，助力AI应用快速起飞
gitblog_00756的博客
10-10 1442
推荐开源项目：Milvus Lite —— 轻量级向量数据库，助力AI应用快速起飞 项目地址:https://gitcode.com/gh_mirrors/mi/milvus-lite 项目介绍 Milvus Lite 是知名开源向量数据库 Milvus 的轻量级版本，专为需要在小型环境中进行向量嵌入和相似性搜索的AI应用设计。通过将 Milvus Lite 导入您的Python应用，您可以直接使...
使用 Milvus Lite、Llama3 和 LlamaIndex 搭建 RAG 应用
ZILLIZ
08-29 1600
大语言模型（LLM）已经展示出与人类交互并生成文本响应的卓越能力。这些模型可以执行各种自然语言任务，如翻译、概括、代码生成和信息检索等。为完成这些任务，LLM 需要基于海量数据进行预训练。在这个过程中，LLM 基于给定的词，预测句子中的下一个词来学习自然语言。这种方法被称为标记预测，帮助 LLM 生成连贯且富含上下文的响应。然而，由于模型更专注于预测最可能的下一个词而非验证事实，因此其输出有时可能...
《向量数据库指南》——打造多模态RAG系统，Milvus Lite与Gemini 1.5强强联合
实战AI智能体
11-04 1233
Milvus 是一款开源向量数据库，能够高效存储十亿规模的向量数据，并在 RAG 的检索阶段执行高效的向量搜索。Gemini 1.5 还支持更长的上下文，能够处理高达 100 万个 Token 的上下文。Gemini 1.5 是由 Google DeepMind 开发的一款多模态大语言模型（LLM），基于此前的 Gemini 1.0 模型进行了改进。而 Pro 是 Gemini 1.5 模型中性能最强的版本，其性能与迄今为止最大的 Gemini模型 —— Gemini 1.0 Ultra 相当。
Milvus 向量数据库进阶系列丨部署形态选型
ZILLIZ
07-25 1051
Milvus 是目前发展最成熟的开源向量数据库项目。和 Qdrant、Weaviate、Chroma 这些近两年的新项目不同，Milvus 为开发者提供了多种部署形态。
探索数据世界的神奇钥匙：Milvus Lite
gitblog_00004的博客
06-08 476
探索数据世界的神奇钥匙：Milvus Lite milvus-lite 项目地址: https://gitcode.com/gh_mirrors/em/embd-milvus Milvus Lite 是一款...
推荐文章：Milvus Lite—轻量级向量数据库，为你的AI应用加速
gitblog_00009的博客
06-19 669
推荐文章：Milvus Lite—轻量级向量数据库，为你的AI应用加速 milvus-lite A lightweight version of Milvus wrapped with Python. 项目地址: https://gitcode.com/gh_mi...
Milvus Lite 使用教程
gitblog_01021的博客
10-10 812
Milvus Lite 使用教程 项目地址:https://gitcode.com/gh_mirrors/mi/milvus-lite 1. 项目介绍 Milvus Lite 是 Milvus 的高性能向量数据库的轻量级版本。它旨在为 AI 应用提供向量相似性搜索功能，适用于 Jupyter Notebook、Google Colab、笔记本电脑和边缘设备等环境。Milvus Lite 可以轻松集...
Milvus Lite, Milvus Cloud, Standalone, 与 Distributed：组件功能关系深度解析
实战AI智能体
07-28 277
在大数据时代，高效、灵活的向量搜索解决方案成为了许多企业和研究机构不可或缺的技术支撑。Milvus，作为一款开源的向量数据库，凭借其卓越的性能、可扩展性和易用性，在众多向量搜索引擎中脱颖而出。Milvus 提供了 Lite、Cloud、Standalone、Distributed 四种部署模式，每种模式都针对特定的使用场景进行了优化，但它们之间并非孤立存在，而是通过共享底层组件实现了功能的一致性和演进速度的同步。本文将深入剖析这四种部署模式的组件功能关系，以及它们如何共同支撑起 Milvus 的强大能力。
milvus lite快速实践
lldhsds的专栏
03-08 999
Milvus Lite 是Milvus 的轻量级版本，Milvus 是一个开源向量数据库，通过向量嵌入和相似性搜索为人工智能应用提供支持，最典型的应用场景就是 RAG（Retrieval-Augmented Generation，检索增强生成），为 RAG 系统提供了强大的向量存储和检索能力。通过下面的实践，可以了解文本向量化与相似度匹配（语义匹配）的大概过程，了解RAG落地背后的机制。
milvus lite
01-03
### Milvus Lite 版本介绍 Milvus Lite 是一款轻量级的开源向量数据库，旨在简化用户的初次体验和小型项目的开发过程。此版本适合希望快速上手而不必担心复杂配置的新用户。自版本 2.4.2 起，`pymilvus` 包已经包含了 Milvus Lite 组件[^1]。 对于那些只需要处理不超过一百万条记录的应用场景而言，Milvus Lite 提供了一种便捷的方式来探索 Milvus 功能集的可能性。它特别适用于 AI 应用程序的早期原型设计阶段，在这个时期更关注的是功能验证而非最终产品的性能优化[^3]。 ### 安装方法 为了获得最新的 Milvus Lite 发布版，可以通过 Python 的包管理工具 `pip` 来完成安装： ```bash pip install -U pymilvus ``` 这条命令不仅会更新或安装 `pymilvus` 到最新稳定版本，还会自动拉取必要的依赖项以支持 Milvus Lite 的运行环境[^2]。 ### 使用指南 一旦成功安装了 `pymilvus` 和内置的 Milvus Lite 后，便可以开始创建连接实例并与之交互。下面是一个简单的例子展示如何初始化一个本地模式下的客户端对象，并执行基本的操作如插入数据点、建立索引以及查询最近邻节点等： ```python from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection # 连接到本地部署的 Milvus 实例，默认监听 localhost:19530 地址 connections.connect("default") fields = [ FieldSchema(name="id", dtype=DataType.INT64, is_primary=True), FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=8) ] schema = CollectionSchema(fields) collection_name = "example_collection" milvus_lite_colletion = Collection( name=collection_name, schema=schema ) data_points = [[i for i in range(10)], [[float(i)] * 8 for i in range(10)]] milvus_lite_colliction.insert(data_points) index_params = {"metric_type": "L2", "index_type": "IVF_FLAT", "params": {"nlist": 128}} milvus_lite_colliction.create_index(field_name="embedding", index_params=index_params) search_param = {"metric_type": "L2", "params": {"nprobe": 10}} results = milvus_lite_colliction.search([[0.] * 8], param=search_param, limit=3) print(results) ``` 这段代码展示了怎样定义集合结构、加载测试数据、设置索引参数并发起一次近似最近邻居搜索请求的过程[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

柒杉丶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值