Milvus
开源分布式向量数据库，支持稠密向量 + BM25 稀疏向量混合检索，是生产级 RAG 系统的主流基础设施选择
简介
Milvus 是一个开源的分布式向量数据库，专为大规模向量相似度搜索设计。它支持稠密向量（FloatVector）和稀疏向量（SparseFloatVector）的混合存储与检索，配合 RRF（Reciprocal Rank Fusion）融合策略，构成生产级 RAG 系统中最常见的”语义 + 关键词”混合检索方案。Milvus 2.5.x 版本是当前主力版本，提供 IVF_FLAT、HNSW 等多种索引类型，支持 COSINE、L2、IP 等多种距离度量。
关键信息
| 项目 | 内容 |
|---|---|
| 类型 | 开源向量数据库 |
| 当前版本 | 2.5.x |
| 核心能力 | 稠密向量 + 稀疏向量混合检索 |
| 索引类型 | IVF_FLAT、HNSW、IVF_SQ8 等 |
| 距离度量 | COSINE、L2、IP |
| 管理界面 | Attu（官方 Web UI） |
| 部署方式 | Docker Compose / Kubernetes / Zilliz Cloud |
核心特性
混合索引架构
Milvus 集合的典型字段设计：
rag_chunks 集合:
id - VarChar（主键）
document_id - VarChar（分区键，按文档隔离）
content - VarChar（原文文本）
dense_vector - FloatVector（稠密语义向量，dim=1024）
sparse_vector- SparseFloatVector（BM25 稀疏关键词向量）
chunk_index - Int64（分块序号）
metadata - JSON（headerPath、section_title 等）
doc_type - VarChar（文档类型，用于过滤）
source - VarChar（来源标识）
author - VarChar（作者标识）设计意图：稠密向量捕获语义相似性，稀疏向量补强关键词精确匹配；两者通过 RRF 融合是生产 RAG 的标准组合。
索引创建规则
# 正确写法：params 传对象
collection.create_index(
field_name="dense_vector",
index_params={
"index_type": "IVF_FLAT",
"metric_type": "COSINE",
"params": {"nlist": 1024} # ← 必须是 dict，不能 JSON.stringify
}
)关键陷阱：params 必须传 Python dict 对象，不能序列化为 JSON 字符串传给 extra_params，否则 Milvus Go 后端反序列化失败，索引静默未建——无报错，检索返回 0 条。
分区键设计
document_id 作为分区键（partition key），实现按文档隔离检索。上传同一文档时应复用 document_id，避免重复创建记录导致列表出现两条同名文档。
不同素材中的观点
来自 2026-05-31-woshipm-100rmb-production-rag：
- 天涯轩在 100 元 RAG 实验中使用 Milvus 2.5.x 作为向量存储层，配置稠密 1024 维 + BM25 稀疏向量的混合索引
- 最隐蔽的故障是向量维度不一致：Schema 写 3072 维但实际 Embedding 返回 1024 维，Milvus 不报错但检索静默返回 0 条
- 索引参数格式错误（JSON.stringify 给 extra_params）导致索引静默未建，排查耗时远超预期
- Milvus 直接 search Top5 分数范围 0.26–0.45（通义 v3），说明 COSINE 分数分布因模型而异，不能照搬海外模型阈值
实用信息
安装方式
# Docker Compose 一键启动
docker compose up -d # 包含 Milvus + etcd + MinIO + Attu 管理界面适用场景
- 生产级 RAG 系统：需要混合检索（语义 + 关键词）的知识库问答
- 大规模向量检索：百万级以上向量的高效 ANN 搜索
- 多格式文档入库：PDF/Word/Excel/HTML/Markdown 等混合格式的企业文档库
- 需要元数据过滤的检索：按文档类型、来源、作者等维度过滤检索范围
不适用场景
- 简单原型验证（可用 FAISS 或 ChromaDB 替代，更轻量）
- 纯关键词检索场景（传统数据库 + 全文索引更高效）
- 嵌入式 / Serverless 场景（Milvus 是分布式架构，Zilliz Cloud 提供 Serverless 版）
运维注意事项
- 启动时必须检查索引是否存在，避免”集合有数据但无索引”的静默失败
- 变更 Embedding 模型后必须 dropCollection 重建并重新入库，因为维度变更需要重建索引
- 建议配合 Attu 管理界面直观查看集合状态、索引状态和检索结果