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

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

pip install pymilvus==2.5.5

python -c "from pymilvus import Collection"

# 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")

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")

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！")

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)