Содержание
  1. Для чего нужен Milvus
  2. Схема и типы полей
  3. Векторы и метрика
  4. Индекс и поиск
  5. Полный учебный журнал
  6. Удаление и согласованность
  7. Выбор режима эксплуатации
  8. Частые вопросы
Обзоры

Обзор Milvus: коллекция, схема и поиск векторов

16 ноября 2026 · 11 минут чтения

Milvus — база данных для хранения, индексирования и поиска векторных представлений. Обзор Milvus: коллекция, схема и поиск векторов охватывает контракт коллекции, типы полей, метрику близости, фильтрацию по скалярным полям, учебный журнал операций, удаление записей и выбор режима эксплуатации. Документация проекта описывает Milvus как слой извлечения для RAG, семантического поиска и памяти агентов: приложение поставляет данные, модель эмбеддингов и правила доступа, а Milvus хранит, индексирует и возвращает совпадающие сущности.

Для чего нужен Milvus

Продукт занимает место между моделью эмбеддингов и прикладной логикой. Приложение формирует вектор, Milvus хранит его рядом со скалярными полями и по запросу возвращает ближайшие записи. В документации проекта это описано так: Milvus хранит, индексирует и извлекает совпадающие сущности, а данные, модель эмбеддингов и правила доступа остаются на стороне приложения. В этом маршруте Milvus отвечает за извлечение записей, а генерацию итогового ответа и обучение модели проектируют отдельно.

В обзоре IBM на тему Milvus отмечено, что продукт разделяет хранение и вычисления, что позволяет масштабировать каждый слой независимо и горизонтально. Это утверждение относится к распределённой архитектуре и объясняет интерес к Milvus в сценариях с ростом числа векторов. Для небольшого прототипа тот же принцип означает, что вы можете начать с локального варианта и позже перейти к серверному развёртыванию.

Практическая задача читателя — собрать контракт коллекции: определить поля, выбрать метрику, задать фильтр и понять, как проверять результат. Документация проекта перечисляет три режима: Milvus Lite как библиотека Python, Milvus Standalone как одноузловой сервер в одном Docker-образе и Milvus Distributed для Kubernetes-кластеров с облачной архитектурой под миллиардные сценарии. Так официальная документация описывает варианты развёртывания. Производительность конкретной системы оценивают на её данных и нагрузке.

Отдельно стоит различать фильтрацию и похожесть. Скалярные поля хранят метаданные, а векторное поле — эмбеддинг. Поиск может учитывать значения метаданных: в документации проекта сказано, что векторный поиск можно проводить с учётом значений метаданных, которые в Milvus называются скалярными полями. Так можно ограничить выборку tenant на уровне запроса. Сам по себе фильтр не настраивает аутентификацию или полноценную изоляцию арендаторов.

Схема и типы полей

Схема коллекции описывает поля и их типы. Первичное поле уникально идентифицирует сущность, и документация проекта указывает, что оно принимает значения Int64 или VARCHAR. Это ограничение важно при проектировании: строковый идентификатор допустим, но тип нужно зафиксировать заранее.

Скалярные поля поддерживают несколько типов. В документации проекта перечислены VARCHAR, Boolean, Int, Float и Double. Для векторного поля задаётся размерность: параметр dim указывает dimensionality векторных эмбеддингов, которые будут храниться в поле. Размерность фиксируется в схеме, и вектор другой длины в это поле не поместится без новой схемы.

Учебная схема из принятого примера выглядит так:

ТЕКСТ4 строки
primary key: id (int64)
scalar: body (string)
scalar: tenant (string)
vector: embedding (float vector, dimension=2)

Ручной набор записей для проверки:

ТЕКСТ3 строки
id=11, body="возврат", tenant=A, embedding=[1,0]
id=12, body="оплата", tenant=A, embedding=[0,1]
id=21, body="закрытый возврат", tenant=B, embedding=[1,0]

Это авторский учебный fixture. Реальный запуск внешнего сервиса, обучение модели, измерение скорости и платные API не заявлены. Учебный результат сверяется с заданным входом, а параметры продукта — только с текущей документацией.

Разбор ошибки: вектор из трёх координат не принимается в поле dimension=2 без новой схемы. Это ограничение уровня контракта коллекции, и его полезно проверять до загрузки данных. Контроль tenant через фильтр не заменяет настоящую аутентификацию и политику изоляции: он ограничивает выборку в запросе, а доступ к самому сервису настраивается отдельно.

Поле Тип Роль в контракте
id Int64 или VARCHAR уникальная идентификация сущности
body VARCHAR текстовая метка для чтения
tenant VARCHAR скалярный фильтр выборки
embedding Float vector с dim вектор для сравнения близости

Векторы и метрика

Метрика задаёт способ измерения близости. В документации проекта по быстрому старту указано, что тип метрики (определение векторного расстояния) установлен в значение по умолчанию COSINE. Для учебного набора выбран cosine, и запрос имеет вид query=[1,0].

Сравнение по cosine даёт понятный бумажный эталон. Вектор id=11 совпадает с запросом по направлению, вектор id=12 ортогонален, вектор id=21 совпадает с запросом по направлению, но принадлежит другому tenant. Фильтр tenant==A допускает id=11 и id=12, а id=21 запрещён, хотя его вектор совпадает с запросом. Этот пример показывает разделение двух механизмов: близость вектора и допустимость записи по скалярному условию.

Порядок результатов в учебном эталоне: id=11 перед id=12 по cosine. Это вручную рассчитанный эталон; ANN-индекс для примера не запускался. Разница важна для проверки: индекс может возвращать приближённый порядок, и сравнение с ручным расчётом помогает отладке. Качество продукта на этом условном наборе не измерялось.

Предикатное выражение возвращает булево значение, как указано в документации проекта по правилам скалярной фильтрации. Это значит, что фильтр tenant==A вычисляется как условие допуска, и запись с tenant=B в результат не попадает. В документации проекта по быстрому старту приведён похожий пример: текст по теме history исключается, несмотря на близость к вектору запроса. Логика та же: скалярное условие отсекает кандидата до или во время поиска.

Для текстового поиска существует отдельный путь. В документации LlamaIndex по интеграции Milvus с полнотекстовым поиском отмечено, что в подходе Sparse-BM25 из Milvus 2.5 сырой текст автоматически преобразуется в разреженные векторы. Это относится к названной интеграции и версии, и поддержку такой функции стоит проверять для выбранного режима отдельно.

Индекс и поиск

Индекс ускоряет поиск по векторам. Документация проекта описывает Milvus как слой, который хранит, индексирует и извлекает сущности, и это разделение операций полезно держать в голове: запись данных и построение индекса — разные этапы, а поиск опирается на уже подготовленную структуру.

Порядок учебной проверки:

  1. Зафиксировать схему: id, body, tenant, embedding с dimension=2.
  2. Загрузить три записи из ручного набора.
  3. Выбрать метрику cosine и сформировать запрос query=[1,0].
  4. Добавить фильтр tenant==A.
  5. Сравнить полученный порядок с бумажным эталоном id=11 перед id=12.
  6. Повторить поиск после удаления записи в том же режиме согласованности.

Этот порядок отделяет контракт коллекции от поведения индекса. Бумажный эталон проверяет логику фильтра и метрики, а фактический порядок от ANN-индекса может отличаться в пределах приближённого поиска. Для отладки полезно сначала убедиться, что фильтр отсекает id=21, и только затем смотреть на ранжирование.

Фильтрация по скалярным полям расширяет поиск. В документации проекта сказано, что векторный поиск можно проводить с учётом значений метаданных. Это позволяет строить выборки по tenant, статусу или другому признаку, сохраняя сравнение по вектору. Условие задаётся предикатным выражением, которое возвращает булево значение.

Этап Действие Что проверяем
Схема задать поля и dim совместимость типов
Загрузка вставить три записи целостность набора
Поиск cosine, query=[1,0] близость векторов
Фильтр tenant==A отсечение id=21
Сверка порядок 11 перед 12 бумажный эталон

Полный учебный журнал

Журнал фиксирует последовательность операций над учебным набором. Он нужен, чтобы отделить проверяемые шаги от предположений о поведении продукта.

Шаг 1. Схема. primary key id int64, body string, tenant string, embedding float vector с dimension=2. Размерность задана в контракте коллекции.

Шаг 2. Набор. id=11, body=»возврат», tenant=A, embedding=[1,0]. id=12, body=»оплата», tenant=A, embedding=[0,1]. id=21, body=»закрытый возврат», tenant=B, embedding=[1,0].

Шаг 3. Поиск. Метрика cosine, query=[1,0], фильтр tenant==A. Допустимы id=11 и id=12. id=21 запрещён, хотя его вектор совпадает с запросом.

Шаг 4. Эталон. Cosine равен 1 для id=11 и 0 для id=12; в ранжировании по убыванию сходства id=11 идёт первым. id=21 имеет cosine=1, но исключён фильтром tenant. Это вручную рассчитанный эталон; ANN-индекс для примера не запускался.

Шаг 5. Ручной эталон после удаления id=11: среди tenant=A остаётся только id=12. Для фактической проверки в режиме с поддержкой Strong дождитесь успешного ответа delete, затем выполните query по id=11 с consistency_level=»Strong»: ожидается пустой набор. Повторите search с тем же Strong и фильтром tenant=A; id=11 и id=21 в ответе быть не должно. При ошибке delete вывод об удалении делать рано.

Шаг 6. Контроль ошибки. Вектор из трёх координат не принимается в dimension=2 без новой схемы. Контроль tenant не заменяет настоящий auth и политику изоляции.

Шаг 7. Выбор режима. Lite, server и cloud описываются с отдельной поддержкой операционной системы, функций и бэкапа. Практическое развёртывание не выполнялось, latency не измерялся.

Это авторский учебный fixture. Реальный запуск внешнего сервиса, обучение модели, измерение скорости и платные API не заявлены. Учебный результат сверяется с заданным входом, а параметры продукта — только с текущей документацией. Журнал полезен как чек-лист: он показывает, какие шаги дают проверяемый результат, а какие остаются предположением до запуска.

Удаление и согласованность

Удаление записи меняет видимость данных для последующих запросов. В документации проекта по согласованности перечислены четыре уровня: strong, bounded staleness, session и eventually. Уровень по умолчанию — bounded staleness. Strong назван самым высоким и строгим уровнем, и он обеспечивает чтение последней версии данных.

Для учебной проверки удаления выберите Strong и проверьте результат после подтверждённой записи. Мгновенное исчезновение записи при любом уровне согласованности обещать нельзя: разные уровни дают разную гарантию видимости, и поведение зависит от выбранного режима. Практический порядок такой: удалить id=11, выполнить точечный get или query, затем повторить search в том же режиме согласованности и сравнить результат с ожиданием.

Разделение уровней полезно для приложения. Strong даёт чтение последней версии данных, что подходит для проверок после записи. Bounded staleness используется по умолчанию и допускает устаревшее представление данных в пределах определённого периода; документация рекомендует его для задач, где важна задержка и допустима временная невидимость изменений. Session привязан к сессии клиента, eventually даёт самую слабую гарантию. Документация связывает выбор уровня с компромиссом между видимостью данных и задержкой чтения.

Удаление в учебном журнале связано с фильтром: после удаления id=11 в выборке по tenant==A остаётся id=12. Повторный поиск с query=[1,0] покажет, как изменился результат. Эта проверка соединяет три темы: схему, фильтрацию и согласованность.

Выбор режима эксплуатации

Три режима различаются по способу развёртывания. Milvus Lite — библиотека Python, которую можно встроить в приложение. Milvus Standalone — одноузловой сервер, где все компоненты собраны в один Docker-образ для удобного развёртывания. Milvus Distributed разворачивается на кластерах Kubernetes и рассчитан на миллиардные сценарии.

Выбор зависит от задачи. Для прототипа и локальной проверки схемы подходит Lite: он встраивается в код на Python. Для одноузлового сервера с привычным развёртыванием подходит Standalone с единым Docker-образом. Для роста числа векторов и горизонтального масштабирования предусмотрен Distributed на Kubernetes.

Отдельно стоит учитывать поддержку операционной системы, набор функций и бэкап. Эти характеристики различаются по режимам, и их стоит сверять с текущей документацией проекта для выбранной версии. Сохранённый быстрый старт описывает macOS, Linux и Windows с доступными бинарными зависимостями для своего варианта Lite. Перед установкой проверьте конкретные версии пакетов и платформу по инструкции выбранного релиза; это не общая гарантия совместимости всех вариантов Milvus.

Практическое развёртывание в рамках этого обзора не выполнялось, latency не измерялся. Учебный пример описывает контракт коллекции и порядок проверок, а параметры продукта сверяются с текущей документацией. Такой подход отделяет проектирование схемы от эксплуатационных решений.

Частые вопросы

Что такое Milvus простыми словами?
Milvus — база данных для хранения, индексирования и поиска векторов. Приложение поставляет данные, модель эмбеддингов и правила доступа, а Milvus хранит, индексирует и возвращает совпадающие сущности. Продукт используется как слой извлечения в RAG, семантическом поиске и памяти агентов.

Чем Milvus отличается от Qdrant?
Оба продукта работают с векторами, но контракты и режимы развёртывания у них свои. Для Milvus документация проекта описывает три режима: Lite как библиотека Python, Standalone как одноузловой сервер и Distributed на Kubernetes. Сравнение стоит вести по типам полей, метрикам, фильтрации и поддержке режимов.

Как запустить Milvus через Docker Compose?
Документация проекта описывает Milvus Standalone как одноузловой сервер, где все компоненты собраны в один Docker-образ для удобного развёртывания. Конкретный файл конфигурации и команды стоит брать из текущей документации проекта для выбранной версии. Практическое развёртывание в этом обзоре не выполнялось.

Какие типы полей поддерживает схема Milvus?
Первичное поле принимает Int64 или VARCHAR. Скалярные поля поддерживают VARCHAR, Boolean, Int, Float и Double. Векторное поле задаёт размерность через параметр dim, который указывает dimensionality хранимых эмбеддингов.

Как работает согласованность после удаления?
Документация проекта перечисляет четыре уровня: strong, bounded staleness, session и eventually. Уровень по умолчанию — bounded staleness, а strong обеспечивает чтение последней версии данных. Для проверки удаления выберите Strong и сверьте результат после подтверждённой записи.

Читайте также

3 материала