零基础学AI大模型之Milvus实战：Attu可视化安装+Python整合全案例

原创于 2025-12-01 18:48:05 发布 · 1k 阅读

55 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #milvus #python

0基础AI大模型专栏收录该内容

37 篇文章

订阅专栏

AgenticCoding·十二月创作之星挑战赛 10w+人浏览 301人参与

大家好，我是工藤学编程 🦉	一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉	C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷	【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表	分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列	深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型	零基础学AI大模型之Milvus部署架构选型+Linux实战：Docker一键部署+WebUI使用

前情摘要

零基础学AI大模型之Milvus实战：Attu可视化安装+Python整合全案例

一、Attu可视化客户端：Milvus图形化管理利器

Attu是Zilliz团队专为Milvus向量数据库打造的开源图形化管理工具，核心价值是“让Milvus操作脱离命令行，降低学习与运维成本”。

核心特性

跨平台兼容：支持Windows、Linux、macOS三大系统，同时提供Docker镜像部署方案
开箱即用：无需编写任何代码，通过界面即可完成数据库、集合、索引的全生命周期管理
深度集成：与Milvus生态无缝衔接，由官方团队维护，功能迭代与Milvus版本同步
版本适配：需重点注意Attu与Milvus的版本匹配（当前实战环境：Milvus V2.5X，建议搭配Attu 2.5.X版本）
开源地址：https://github.com/zilliztech/attu

核心功能模块

数据库与集合管理：创建/删除数据库、定义集合字段（主键、标量、向量）、索引构建、数据导入导出
分区与分片优化：支持按业务维度（时间/用户组）划分分区，分片数可配置（默认2个，支持水平扩展）
向量检索能力：支持L2（欧氏距离）、余弦相似度等度量方式，结合标量过滤实现混合查询
资源与权限控制：加载/释放内存数据，多角色权限分配（全局权限、集合权限、用户权限）

二、Attu安装实战（跨平台适配）

Attu支持多种安装方式，以下是不同系统的最简部署流程，核心目标：通过“IP+端口”连接Milvus服务。

1. 前置条件

已部署Milvus服务（本地或远程，确保网络可通）
Milvus服务端口默认19530（TCP端口）、9091（HTTP端口）
安装版本匹配：Milvus 2.5X → Attu 2.5.X（避免接口不兼容）

2. Windows系统安装

访问Attu GitHub Releases页面，下载Windows对应的exe安装包（如attu-windows-x64.exe）
双击安装包，按向导完成安装（默认路径即可，无需额外配置）
启动Attu，在连接页面输入：Milvus服务IP + 端口19530，点击“Connect”即可登录

3. macOS系统安装

下载macOS对应的dmg安装包（attu-macos-x64.dmg）
拖拽安装包到应用程序文件夹，完成安装
启动Attu，输入Milvus服务IP和19530端口，验证连接（若提示权限不足，右键选择“打开”即可）

4. Linux系统安装（Debian/Ubuntu）

下载deb安装包：wget https://github.com/zilliztech/attu/releases/download/v2.5.3/attu_2.5.3_amd64.deb（版本号可按需替换）
执行安装命令：sudo dpkg -i attu_2.5.3_amd64.deb
启动Attu：在终端输入attu，或通过应用列表启动，输入连接信息即可

5. Docker部署（跨平台通用方案）

拉取Attu镜像：docker pull zilliz/attu:v2.5.3
启动容器（映射本地8080端口，连接Milvus服务）：

docker run -p 8080:3000 -e MILVUS_URL=xxx.xxx.xxx.xxx:19530 zilliz/attu:v2.5.3

访问界面：打开浏览器输入http://localhost:8080，输入Milvus连接信息登录

三、Python整合Milvus：SDK安装与验证

Milvus提供多语言SDK（Python/Node.js/GO/Java），其中Python SDK（PyMilvus）是最常用的开发工具，以下是实战步骤。

1. 安装PyMilvus

核心要求：PyMilvus版本需与Milvus服务器版本匹配（当前环境：Milvus 2.5X → PyMilvus 2.5.5）

pip install pymilvus==2.5.5

2. 验证安装

执行以下命令，无报错则说明安装成功：

python -c "from pymilvus import Collection"

3. PyMilvus核心接口分类

DDL/DCL：创建/删除集合、分区，检查集合/分区是否存在（createCollection、dropCollection等）
DML/Produce：数据插入、删除、更新操作
DQL：向量搜索、标量查询、混合查询操作

四、Python操作Milvus核心流程

Python操作Milvus的核心链路：连接服务 → 数据库操作 → 集合操作 → 数据操作 → 检索查询，以下是关键步骤实战。

1. 连接Milvus服务

支持两种连接方式（推荐第二种MilvusClient，语法更简洁）：

# 方式1：使用connections.connect（传统方式）
from pymilvus import connections, db

# 连接远程Milvus服务（替换为你的服务IP）
conn = connections.connect(host="192.168.229.128", port=19530)

# 方式2：使用MilvusClient（推荐，Milvus 2.3+支持）
from pymilvus import MilvusClient
client = MilvusClient("http://192.168.229.128:19530")

2. 数据库操作（创建/使用/删除）

from pymilvus import connections, db

# 连接服务
connections.connect(host="192.168.229.128", port=19530)

# 1. 创建数据库（名称自定义）
db.create_database("my_rag_database")

# 2. 切换使用目标数据库
db.using_database("my_rag_database")

# 3. 列出所有数据库
all_dbs = db.list_database()
print("所有数据库：", all_dbs)  # 输出：['default', 'my_rag_database']

# 4. 删除数据库（谨慎操作！）
db.drop_database("my_rag_database")

五、Collection与Schema实战：静态+动态字段

Collection是Milvus中的“数据表”，Schema定义表结构（字段类型、主键、向量维度等），支持静态字段和动态字段两种模式。

1. 核心概念

Schema：集合的结构定义，由多个FieldSchema（字段定义）组成
FieldSchema：单个字段的定义，包括名称、数据类型、是否为主键、向量维度等
静态Schema：字段固定，需提前定义所有字段（适用于数据结构稳定的场景，如用户画像）
动态Schema：支持新增未定义的字段（Milvus 2.3+支持，适用于日志、多变数据场景）

2. 字段类型详解（常用）

数据类型	说明	示例
INT64	64位整型，常用作主键	DataType.INT64
VARCHAR	变长字符串，需指定max_length	DataType.VARCHAR(max_length=50)
FLOAT	单精度浮点数	DataType.FLOAT
FLOAT_VECTOR	浮点型向量，需指定dim（维度）	DataType.FLOAT_VECTOR(dim=128)

3. 静态Schema+Collection创建

from pymilvus import connections, FieldSchema, DataType, CollectionSchema, Collection

# 1. 连接服务并切换数据库
connections.connect(host="192.168.229.128", port=19530)
db.using_database("my_rag_database")

# 2. 定义字段（静态Schema：所有字段提前声明）
fields = [
    # 主键字段：id（自增或手动指定）
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    # 向量字段：dim=128（需与嵌入模型输出维度一致）
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128),
    # 标量字段：文档标签
    FieldSchema(name="doc_tag", dtype=DataType.VARCHAR, max_length=50)
]

# 3. 创建Schema（添加描述）
schema = CollectionSchema(
    fields=fields,
    description="RAG系统文档向量集合（静态字段）",
    enable_dynamic_field=False  # 关闭动态字段
)

# 4. 创建Collection（指定分片数，分布式场景关键）
collection = Collection(
    name="static_doc_collection",
    schema=schema,
    shards_num=2  # 推荐值：集群节点数×2，单节点场景默认2即可
)

print("Collection创建成功！")

4. 动态Schema+Collection创建与数据插入

动态Schema允许插入未定义的字段，灵活适配多变数据场景：

from pymilvus import connections, FieldSchema, DataType, CollectionSchema, Collection

# 1. 连接服务
connections.connect(host="192.168.229.128", port=19530)
db.using_database("my_rag_database")

# 2. 定义核心字段（仅声明必要字段）
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128)
]

# 3. 创建Schema（启用动态字段）
dynamic_schema = CollectionSchema(
    fields=fields,
    description="RAG系统动态字段集合",
    enable_dynamic_field=True  # 关键：开启动态字段
)

# 4. 创建Collection
dynamic_collection = Collection(
    name="dynamic_doc_collection",
    schema=dynamic_schema,
    shards_num=2
)

# 5. 插入数据（包含未定义的动态字段color、doc_source）
data = [
    {
        "id": 0,
        "embedding": [0.358, -0.602, 0.184, -0.263, 0.903],  # 简化为5维示例
        "color": "pink_8682",
        "doc_source": "pdf_file_1.pdf"
    },
    {
        "id": 1,
        "embedding": [-0.334, -0.257, 0.899, 0.940, 0.538],
        "color": "grey_8510",
        "doc_source": "docx_file_2.docx"
    }
]

# 插入数据（动态字段会自动作为键值对存储）
insert_result = dynamic_collection.insert(data=data)
print("数据插入成功，插入ID：", insert_result.primary_keys)