>Milvus 是一个数据库，用于存储、索引和管理由深度神经网络及其他机器学习（ML）模型生成的大规模嵌入向量。

本笔记本展示了如何使用与 Milvus 向量数据库相关的功能。

设置

您需要安装 langchain-milvus 配合使用 pip install -qU langchain-milvus 来使用此集成。

pip install -qU langchain-milvus

凭证

使用 Milvus 向量存储无需任何凭证。

初始化

# | output: false
# | echo: false
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

Milvus lite

最简单的原型设计方式是使用 Milvus Lite，所有内容都存储在本地向量数据库文件中。只能使用 Flat 索引。

from langchain_milvus import Milvus

URI = "./milvus_example.db"

vector_store = Milvus(
    embedding_function=embeddings,
    connection_args={"uri": URI},
    index_params={"index_type": "FLAT", "metric_type": "L2"},
)

Milvus 服务器

如果您有大量数据（例如超过一百万个向量），我们建议在 Docker or Kubernetes.

上设置一个性能更高的 Milvus 服务器。Milvus 服务器支持多种 索引。利用这些不同的索引可以显著增强检索能力并加快检索过程，以满足您的特定需求。

例如，对于 Milvus Standalone。要启动 Docker 容器，您可以运行以下命令：

!curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh -o standalone_embed.sh

!bash standalone_embed.sh start

Password:

在这里我们创建一个 Milvus 数据库：

from pymilvus import Collection, MilvusException, connections, db, utility

conn = connections.connect(host="127.0.0.1", port=19530)

# Check if the database exists
db_name = "milvus_demo"
try:
    existing_databases = db.list_database()
    if db_name in existing_databases:
        print(f"Database '{db_name}' already exists.")

        # Use the database context
        db.using_database(db_name)

        # Drop all collections in the database
        collections = utility.list_collections()
        for collection_name in collections:
            collection = Collection(name=collection_name)
            collection.drop()
            print(f"Collection '{collection_name}' has been dropped.")

        db.drop_database(db_name)
        print(f"Database '{db_name}' has been deleted.")
    else:
        print(f"Database '{db_name}' does not exist.")
        database = db.create_database(db_name)
        print(f"Database '{db_name}' created successfully.")
except MilvusException as e:
    print(f"An error occurred: {e}")

Database 'milvus_demo' does not exist.
Database 'milvus_demo' created successfully.

注意下面 URI 的变化。实例初始化后，导航到 127.0.0.1:9091/webui 查看本地 Web UI。

以下是使用 Milvus 数据库服务创建向量存储实例的示例：

from langchain_milvus import BM25BuiltInFunction, Milvus

URI = "http://localhost:19530"

vectorstore = Milvus(
    embedding_function=embeddings,
    connection_args={"uri": URI, "token": "root:Milvus", "db_name": "milvus_demo"},
    index_params={"index_type": "FLAT", "metric_type": "L2"},
    consistency_level="Strong",
    drop_old=False,  # set to True if seeking to drop the collection with that name if it exists
)

> 如果您想使用 Zilliz Cloud（Milvus 的全托管云服务），请调整 uri 和 token，分别对应 Zilliz Cloud 中的 公共端点 和 API 密钥 。

使用 Milvus 集合隔离数据

您可以将不相关的文档存储在同一 Milvus 实例中的不同集合中。

以下是创建新集合的方法：

from langchain_core.documents import Document

vector_store_saved = Milvus.from_documents(
    [Document(page_content="foo!")],
    embeddings,
    collection_name="langchain_example",
    connection_args={"uri": URI},
)

以下是从中检索已存储集合的方法：

vector_store_loaded = Milvus(
    embeddings,
    connection_args={"uri": URI},
    collection_name="langchain_example",
)

管理向量存储

创建向量存储后，我们可以通过添加和删除不同项目来与其交互。

向向量存储添加项目

我们可以使用 add_documents function.

from uuid import uuid4

from langchain_core.documents import Document

document_1 = Document(
    page_content="I had chocolate chip pancakes and scrambled eggs for breakfast this morning.",
    metadata={"source": "tweet"},
)

document_2 = Document(
    page_content="The weather forecast for tomorrow is cloudy and overcast, with a high of 62 degrees.",
    metadata={"source": "news"},
)

document_3 = Document(
    page_content="Building an exciting new project with LangChain - come check it out!",
    metadata={"source": "tweet"},
)

document_4 = Document(
    page_content="Robbers broke into the city bank and stole $1 million in cash.",
    metadata={"source": "news"},
)

document_5 = Document(
    page_content="Wow! That was an amazing movie. I can't wait to see it again.",
    metadata={"source": "tweet"},
)

document_6 = Document(
    page_content="Is the new iPhone worth the price? Read this review to find out.",
    metadata={"source": "website"},
)

document_7 = Document(
    page_content="The top 10 soccer players in the world right now.",
    metadata={"source": "website"},
)

document_8 = Document(
    page_content="LangGraph is the best framework for building stateful, agentic applications!",
    metadata={"source": "tweet"},
)

document_9 = Document(
    page_content="The stock market is down 500 points today due to fears of a recession.",
    metadata={"source": "news"},
)

document_10 = Document(
    page_content="I have a bad feeling I am going to get deleted :(",
    metadata={"source": "tweet"},
)

documents = [
    document_1,
    document_2,
    document_3,
    document_4,
    document_5,
    document_6,
    document_7,
    document_8,
    document_9,
    document_10,
]
uuids = [str(uuid4()) for _ in range(len(documents))]

vector_store.add_documents(documents=documents, ids=uuids)

从向量存储中删除项目

vector_store.delete(ids=[uuids[-1]])

(insert count: 0, delete count: 1, upsert count: 0, timestamp: 0, success count: 0, err count: 0, cost: 0)

查询向量存储

创建向量存储并添加相关文档后，您很可能希望在链或代理运行期间对其进行查询。

直接查询

相似性搜索

执行带元数据过滤的简单相似性搜索可以按如下方式进行：

results = vector_store.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=2,
    expr='source == "tweet"',
)
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")

* Building an exciting new project with LangChain - come check it out! [{'pk': '9905001c-a4a3-455e-ab94-72d0ed11b476', 'source': 'tweet'}]
* LangGraph is the best framework for building stateful, agentic applications! [{'pk': '1206d237-ee3a-484f-baf2-b5ac38eeb314', 'source': 'tweet'}]

带分数的相似性搜索

您也可以带分数进行搜索：

results = vector_store.similarity_search_with_score(
    "Will it be hot tomorrow?", k=1, expr='source == "news"'
)
for res, score in results:
    print(f"* [SIM={score:3f}] {res.page_content} [{res.metadata}]")

* [SIM=21192.628906] bar [{'pk': '2', 'source': 'https://example.com'}]

有关使用 Milvus 时所有可用的搜索选项的完整列表，请访问 API 参考。

转换为检索器进行查询

您还可以将向量存储转换为检索器，以便在链中更方便地使用。

retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("Stealing from the bank is a crime", filter={"source": "news"})

[Document(metadata={'pk': 'eacc7256-d7fa-4036-b1f7-83d7a4bee0c5', 'source': 'news'}, page_content='Robbers broke into the city bank and stole $1 million in cash.')]

混合搜索

最常见的混合搜索场景是稠密 + 稀疏混合搜索，其中使用语义向量相似度和精确关键词匹配来检索候选结果。这些方法的结果会被合并、重排序，然后传递给 LLM 生成最终答案。这种方法平衡了精确性和语义理解，使其在各种查询场景中都非常有效。

全文搜索

自 Milvus 2.5起，全文搜索通过 Sparse-BM25 方法原生支持，将 BM25 算法表示为稀疏向量。Milvus 接受原始文本作为输入，并自动将其转换为稀疏向量存储在指定字段中，无需手动生成稀疏嵌入。

对于全文搜索，Milvus VectorStore 接受一个 builtin_function 参数。通过此参数，您可以传入一个 BM25BuiltInFunction实例。这与语义搜索不同，语义搜索通常向 VectorStore,

传递稠密嵌入。下面是一个在 Milvus 中进行混合搜索的简单示例，使用 OpenAI 稠密嵌入进行语义搜索，使用 BM25 进行全文搜索：

from langchain_milvus import BM25BuiltInFunction, Milvus
from langchain_openai import OpenAIEmbeddings

vectorstore = Milvus.from_documents(
    documents=documents,
    embedding=OpenAIEmbeddings(),
    builtin_function=BM25BuiltInFunction(),
    # `dense` is for OpenAI embeddings, `sparse` is the output field of BM25 function
    vector_field=["dense", "sparse"],
    connection_args={
        "uri": URI,
    },
    consistency_level="Strong",
    drop_old=True,
)

> - 当您使用 BM25BuiltInFunction时，请注意全文搜索在 Milvus Standalone 和 Milvus Distributed 中可用，但在 Milvus Lite 中不可用，不过它已列入未来计划。也即将在 Zilliz Cloud（完全托管的 Milvus）中可用。请联系 support@zilliz.com 获取更多信息。

在上面的代码中，我们定义了一个 BM25BuiltInFunction 实例并将其传递给 Milvus object. BM25BuiltInFunction ，它是一个轻量级包装类，用于 Function 中的 OpenAIEmbeddings 初始化稠密 + 稀疏混合搜索 Milvus 向量存储实例。

BM25BuiltInFunction 不需要客户端传递语料库或进行训练，所有处理都在 Milvus 服务器端自动完成，因此用户无需关心任何词汇表和语料库。此外，用户还可以自定义 分析器 来实现 BM25 中的自定义文本处理。

对候选结果进行重排序

在第一阶段检索之后，我们需要对候选结果进行重排序以获得更好的结果。您可以参阅 重排序 获取更多信息。

下面是加权重排序的示例：

query = "What are the novels Lila has written and what are their contents?"

vectorstore.similarity_search(
    query, k=1, ranker_type="weighted", ranker_params={"weights": [0.6, 0.4]}
)

用于检索增强生成

有关如何将此向量存储用于检索增强生成（RAG）的指南，请参阅以下部分：

• - 检索文档
• - 使用 LangChain 构建 RAG 应用
• - 智能体 RAG

按用户检索

在构建检索应用时，您通常需要考虑多个用户。这意味着您可能不仅为一位用户存储数据，而是为许多不同的用户存储数据，他们不应该能够看到彼此的数据。

Milvus 推荐使用 分区_键 来实现多租户。以下是一个示例： > 分区键功能在 Milvus Lite 中不可用，如果您想使用它，您需要启动 Milvus 服务器，如上所述。

from langchain_core.documents import Document

docs = [
    Document(page_content="i worked at kensho", metadata={"namespace": "harrison"}),
    Document(page_content="i worked at facebook", metadata={"namespace": "ankush"}),
]
vectorstore = Milvus.from_documents(
    docs,
    embeddings,
    connection_args={"uri": URI},
    drop_old=True,
    partition_key_field="namespace",  # Use the "namespace" field as the partition key
)

要进行使用分区键的搜索，您应该在搜索请求的布尔表达式中包含以下任一项：

search_kwargs={"expr": '<partition_key> == "xxxx"'}

search_kwargs={"expr": '<partition_key> == in ["xxx", "xxx"]'}

请将 <partition_key> 替换为被指定为分区键的字段名称。

Milvus 根据指定的分区键切换到分区，根据分区键过滤实体，并在过滤后的实体中进行搜索。

# This will only get documents for Ankush
vectorstore.as_retriever(search_kwargs={"expr": 'namespace == "ankush"'}).invoke(
    "where did i work?"
)

[Document(page_content='i worked at facebook', metadata={'namespace': 'ankush'})]

# This will only get documents for Harrison
vectorstore.as_retriever(search_kwargs={"expr": 'namespace == "harrison"'}).invoke(
    "where did i work?"
)

[Document(page_content='i worked at kensho', metadata={'namespace': 'harrison'})]

API 参考

有关所有 Milvus VectorStore 功能和配置的详细文档，请访问 API 参考.