Milvus（向量数据库）

from pymilvus import MilvusClient

# 使用新版 MilvusClient API 创建集合
client = MilvusClient(uri="http://localhost:19530")

# 快速创建：自动生成 Schema（id + vector 字段）
client.create_collection(
    collection_name="docs",
    dimension=768  # 向量维度，由嵌入模型决定
)

from pymilvus import MilvusClient, DataType

client = MilvusClient(uri="http://localhost:19530")

schema = client.create_schema(auto_id=True)
schema.add_field("id", DataType.INT64, is_primary=True)
schema.add_field("embedding", DataType.FLOAT_VECTOR, dim=768)
schema.add_field("text", DataType.VARCHAR, max_length=1000)
schema.add_field("category", DataType.VARCHAR, max_length=50)

# 安装 Python SDK
pip install "pymilvus>=2.5.0"

# 启动本地 Milvus 服务（需要 Docker）
# 方式一：Docker（推荐新手）
docker run -d --name milvus \
  -p 19530:19530 -p 9091:9091 \
  milvusdb/milvus:v2.5.6

# 方式二：Milvus Lite（无需 Docker，纯 Python，适合开发测试）
# 只需 pip install pymilvus，连接时指定本地文件路径即可

from pymilvus import MilvusClient
import numpy as np

# 1. 连接 Milvus（Docker 版）
client = MilvusClient(uri="http://localhost:19530")
# 若用 Milvus Lite（无需 Docker）：
# client = MilvusClient(uri="./milvus_demo.db")

# 2. 创建集合（自动生成 id + vector 字段）
client.create_collection(
    collection_name="demo",
    dimension=768
)

# 3. 插入向量数据
data = [
    {"id": i, "vector": np.random.rand(768).tolist(), "text": f"文档_{i}"}
    for i in range(100)
]
client.insert(collection_name="demo", data=data)

# 4. 向量相似度搜索
query_vector = np.random.rand(768).tolist()
results = client.search(
    collection_name="demo",
    data=[query_vector],
    limit=5,
    output_fields=["text"]
)

# 5. 输出结果
for hits in results:
    for hit in hits:
        print(f"ID={hit['id']}, 相似度={hit['distance']:.4f}, text={hit['entity']['text']}")

# 6. 清理
client.drop_collection("demo")

ID=42, 相似度=0.8876, text=文档_42
ID=17, 相似度=0.8743, text=文档_17
ID=89, 相似度=0.8621, text=文档_89
ID=34, 相似度=0.8512, text=文档_34
ID=51, 相似度=0.8401, text=文档_51