Milvus介绍

什么是milvus向量数据库？

鸢属 Milvus向量数据库是一个为向量查询与检索而设计的云原生数据库

官网介绍： https://milvus.io/docs/zh/overview.md

关键词：非结构化数据、Embeddings向量 、 向量相似性搜索

非结构化数据（如文本、图像和音频）格式各异，蕴含丰富的潜在语义，因此分析起来极具挑战性。为了处理这种复杂性，Embeddings 被用来将非结构化数据转换成能够捕捉其基本特征的数字向量。然后将这些向量存储在向量数据库中，从而实现快速、可扩展的搜索和分析。

Milvus 提供强大的数据建模功能，能够将非结构化或多模式数据组织成结构化的 Collections。它支持多种数据类型，适用于不同的属性模型，包括常见的数字和字符类型、各种向量类型、数组、集合和 JSON，节省了维护多个数据库系统的精力

Milvus 支持的搜索类型

Milvus 支持各种类型的搜索功能，以满足不同用例的需求：

• ANN 搜索：查找最接近查询向量的前 K 个向量。
• 过滤搜索：在指定的过滤条件下执行 ANN 搜索。
• 范围搜索：查找查询向量指定半径范围内的向量。
• 混合搜索：基于多个向量场进行 ANN 搜索。
• 全文搜索：基于 BM25 的全文搜索。
• Rerankers：根据附加标准或辅助算法调整搜索结果顺序，完善初始 ANN 搜索结果。
• 获取：根据主键检索数据。
• 查询：使用特定表达式检索数据。

支持的index类型

Milvus 支持的大多数向量索引类型都使用近似近邻检索（ANNS）算法 根据实现方法，ANNS 向量索引可分为四种类型：基于树、基于图、基于哈希和基于量化

• HNSW: 分层导航小世界图
• FLAT: 暴力搜索
• IVF_FLAT: 倒排文件+FLAT
• IVF_SQ8: 倒排文件+标量量化
• IVF_PQ: 倒排文件+乘积量化
• SCANN: 可扩展近邻
• DisKANN: 磁盘索引

具体索引查阅官网比较全面

部署方式

Milvus 提供三种部署模式，涵盖各种数据规模--从 Jupyter Notebooks 中的本地原型到管理数百亿向量的大规模 Kubernetes 集群:

• Milvus Lite 是一个 Python 库，可以轻松集成到应用程序中。作为 Milvus 的轻量级版本，它非常适合在 Jupyter Notebooks 中进行快速原型开发，或在资源有限的边缘设备上运行
• Milvus Standalone 是单机服务器部署，所有组件都捆绑在一个 Docker 镜像中，方便部署
• Milvus Distributed 可部署在 Kubernetes 集群上，采用云原生架构，专为十亿规模甚至更大的场景而设计。该架构可确保关键组件的冗余

总结

Q: 向量数据库milvus解决了什么问题？

A: 向量的存储、检索、管理

Q: 不能解决什么问题？

A: 不能解决embedding的问题，即将非结构化数据（如文本、图像、音频等）转化为向量的功能