轻松掌握：Milvus向量数据库部署与RAG使用技巧

本文主要是介绍轻松掌握：Milvus向量数据库部署与RAG使用技巧，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Milvus简介

Milvus是一款开源的向量数据库，由 Zilliz 开发并维护，适合用于机器学习和人工智能领域。是一款专为处理向量查询而设计的数据库，Milvus 能够对万亿级向量进行索引。
Milvus官网：https://milvus.io/
Milvus中文文档：https://www.milvus-io.com/

Milvus部署

环境准备

Linux操作系统
Docker 19.03 或更高版本
Docker Compose 1.25.1 或更高版本

检查Docker是否安装成功

运行以下命令，检查Docker是否安装成功，安装成功显示版本信息

docker version

运行以下命令，检查Docker Compose是否安装成功，安装成功显示安装的版本信息

docker-compose --version

安装Docker

未安装Docker可以按照以下命令安装，以下命令为Ubuntu系统环境命令

更新系统包

sudo apt update
sudo apt upgrade -y

安装依赖包

安装一些必要的系统工具和依赖，以便使用HTTPS源进行软件包安装：

sudo apt install apt-transport-https ca-certificates curl software-properties-common

添加Docker官方GPG密钥

Docker的官方GPG密钥用于验证Docker软件包的来源。

curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg

echo "deb [arch=amd64 signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null# root账号使用以下命令
echo "deb [arch=amd64 signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | tee /etc/apt/sources.list.d/docker.list > /dev/null

更新软件包列表并安装Docker

再次更新软件包列表，然后安装Docker CE（Community Edition）：

sudo apt update
sudo apt-get install docker-ce docker-ce-cli containerd.io -y

启动Docker服务并设置开机启动

安装完成后，启动Docker服务并设置为开机启动：

sudo systemctl start docker
sudo systemctl enable docker

验证Docker安装

通过运行一个测试容器来验证Docker是否正确安装：

docker run hello-world

如果安装成功，您将看到一条欢迎消息，表明Docker已成功安装并运行了一个测试镜像。

以上步骤完成之后，就已经在Ubuntu Linux系统上成功安装了Docker。

（可选）配置Docker加速器

如果在中国大陆地区，为了加速Docker镜像的下载，可以考虑配置Docker的镜像加速器，如阿里云的镜像加速服务。

登录阿里云账号，找到容器镜像服务
镜像工具->镜像加速器，根据操作文档，配置镜像加速器

安装Docker Compose

未安装Docker Compose的可以按照以下命令安装

下载Docker Compose

使用curl命令下载Docker Compose的二进制文件。
有时候下载速度慢，耐心等待

# v2.16.0
sudo curl -L "https://github.com/docker/compose/releases/download/v2.16.0/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose# v2.27.0 选择一个版本安装即可
sudo curl -L "https://github.com/docker/compose/releases/download/v2.27.0/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose

设置执行权限：

sudo chmod +x /usr/local/bin/docker-compose

创建软链接（可选，但推荐）：

sudo ln -s /usr/local/bin/docker-compose /usr/bin/docker-compose

验证安装

docker-compose --version

如果安装成功，这条命令将输出Docker Compose的版本号。

卸载Docker Compose（可选）

如果需要卸载Docker Compose，可以简单地删除/usr/local/bin/docker-compose文件：

sudo rm /usr/local/bin/docker-compose
sudo rm /usr/bin/docker-compose  #删除创建的软连接

Milvus安装

创建Milvus工作目录

为Milvus创建一个目录来存储数据和日志。

mkdir milvus-workdir  # 创建一个新的工作目录  
cd milvus-workdir     # 进入工作目录

下载Docker Compose配置文件

下载适合Milvus版本的Docker Compose配置文件，这里下载的是v2.4.1版本，也可以下载其他版本


wget https://github.com/milvus-io/milvus/releases/download/v2.4.1/milvus-standalone-docker-compose.yml -O docker-compose.yml

启动Milvus服务

sudo docker-compose up -d

如果运行出现下面这个问题，可以通过设置国内源，解决这个问题。这个是国内网络问题，无法连接到 docker hub。

❗error pulling image configuration: download failed after attempts=6: dial tcp 23.101.24.70:443: connect: connection refused

设置国内源，源地址设置在 /etc/docker/daemon.json 中写入如下内容（如果文件不存在请新建该文件）

{"registry-mirrors": ["https://registry.docker-cn.com","https://dockerhub.azk8s.cn","https://docker.mirrors.ustc.edu.cn","https://6kx4zyno.mirror.aliyuncs.com","https://hub-mirror.c.163.com","https://reg-mirror.qiniu.com"]
}

重启Docker

sudo systemctl restart docker
或者
service docker restart

检查国内源地址设置是否生效

docker info

生效之后，再次运行启动命令

sudo docker-compose up -d

如果还是失败，就更换一下国内源，多尝试几次

启动成功

检查Milvus服务是否正常启动：

docker ps

Milvus正常启动，如下图所示

（可选）授权端口号允许外网访问

如果是在云服务器上部署，需要授权端口号允许外网访问。阿里云服务器在安全组，入方向，授权端口 19530 允许访问

（可选）安装Milvus图形界面客户端Attu

Attu为 Milvus 专门开发的图形界面客户端，可以在 https://github.com/zilliztech/attu/releases 找到最新发布版本，找到可执行安装包下载到电脑安装即可使用。

Milvus客户端使用

安装依赖

在客户端的Python环境中安装pymilvus库，可以通过运行以下命令来安装：
pymilvus安装版本要与Milvus版本相对应
https://milvus.io/api-reference/pymilvus/v2.4.x/About.md

pip install pymilvus# 建议安装指定版本2.4.1
pip install pymilvus==2.4.1

下载示例代码进行测试

使用Python运行Milvus：https://www.milvus-io.com/example_code
下载 hello_milvus.py 直接或使用以下命令

wget https://raw.githubusercontent.com/milvus-io/pymilvus/v2.4.1/examples/hello_milvus.py

将示例代码中链接Milvus数据库的localhost改为服务器IP地址

connections.connect(“default”, host=“localhost”, port=“19530”)
改为
connections.connect(“default”, host=“服务器IP”, port=“19530”)

运行 hello_milvus.py

python hello_milvus.py

运行成功，以下是返回的结果和查询延迟：

=== start connecting to Milvus     ===Does collection hello_milvus exist in Milvus: False=== Create collection `hello_milvus` ====== Start inserting entities       ===Number of entities in Milvus: 3001=== Start Creating index IVF_FLAT  ====== Start loading                  ====== Start searching based on vector similarity ===hit: id: 2998, distance: 0.0, entity: {'random': 0.9728033590489911}, random field: 0.9728033590489911
hit: id: 999, distance: 0.09934989362955093, entity: {'random': 0.9519034206569449}, random field: 0.9519034206569449
hit: id: 1310, distance: 0.10135537385940552, entity: {'random': 0.26669865443188623}, random field: 0.26669865443188623
hit: id: 2999, distance: 0.0, entity: {'random': 0.02316334456872482}, random field: 0.02316334456872482
hit: id: 2502, distance: 0.13083189725875854, entity: {'random': 0.9289998713260136}, random field: 0.9289998713260136
hit: id: 2669, distance: 0.1590736359357834, entity: {'random': 0.6080847854541138}, random field: 0.6080847854541138
search latency = 0.2060s=== Start querying with `random > 0.5` ===query result:
-{'embeddings': [0.8367804, 0.20963514, 0.6766955, 0.39746654, 0.8180806, 0.1201905, 0.9467144, 0.6947491], 'pk': '0', 'random': 0.6378742006852851}
search latency = 0.2434s
query pagination(limit=4):[{'random': 0.6378742006852851, 'pk': '0'}, {'random': 0.5763523024650556, 'pk': '100'}, {'random': 0.9425935891639464, 'pk': '1000'}, {'random': 0.7893211256191387, 'pk': '1001'}]
query pagination(offset=1, limit=3):[{'random': 0.5763523024650556, 'pk': '100'}, {'random': 0.9425935891639464, 'pk': '1000'}, {'random': 0.7893211256191387, 'pk': '1001'}]=== Start hybrid searching with `random > 0.5` ===hit: id: 2998, distance: 0.0, entity: {'random': 0.9728033590489911}, random field: 0.9728033590489911
hit: id: 999, distance: 0.09934989362955093, entity: {'random': 0.9519034206569449}, random field: 0.9519034206569449
hit: id: 1553, distance: 0.12913644313812256, entity: {'random': 0.7723335927084438}, random field: 0.7723335927084438
hit: id: 2502, distance: 0.13083189725875854, entity: {'random': 0.9289998713260136}, random field: 0.9289998713260136
hit: id: 2669, distance: 0.1590736359357834, entity: {'random': 0.6080847854541138}, random field: 0.6080847854541138
hit: id: 2628, distance: 0.1914074569940567, entity: {'random': 0.940077754658375}, random field: 0.940077754658375
search latency = 0.1999s=== Start deleting with expr `pk in ["0" , "1"]` ===query before delete by expr=`pk in ["0" , "1"]` -> result:
-{'random': 0.6378742006852851, 'embeddings': [0.8367804, 0.20963514, 0.6766955, 0.39746654, 0.8180806, 0.1201905, 0.9467144, 0.6947491], 'pk': '0'}
-{'random': 0.43925103574669633, 'embeddings': [0.27875876, 0.95355743, 0.976228, 0.54545516, 0.16776836, 0.82360446, 0.65080017, 0.21096307], 'pk': '1'}query after delete by expr=`pk in ["0" , "1"]` -> result: []=== Drop collection `hello_milvus` ===

恭喜！Milvus已在服务器部署成功，客户端可以正常使用

RAG

使用BCEmbedding编码构建向量索引

国内访问不了huggingface，可以将BCEmbedding下载到本地电脑，下载链接：
https://www.modelscope.cn/models/maidalun/bce-embedding-base_v1/summary

使用Milvus向量数据库相关文档：https://python.langchain.com/v0.2/docs/integrations/vectorstores/milvus/

安装相关依赖

%pip install --upgrade --quiet  langchain_milvus

milvus_insert.py 构建向量索引示例代码：

from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_core.documents import Document
from langchain_community.vectorstores import Milvusembedding_model_name = './本地文件夹/bce-embedding-base_v1'  # 修改为你的模型名称  
embedding_model_kwargs = {'device': 'cpu:0'}  
embedding_encode_kwargs = {'batch_size': 32, 'normalize_embeddings': True}  # 可以使用Hugging Face的模型
embed_model = HuggingFaceEmbeddings(  model_name=embedding_model_name,  model_kwargs=embedding_model_kwargs,  encode_kwargs=embedding_encode_kwargs  
)if __name__ == "__main__":# json数据，可以改为从文档中读取数据text_datas = [{"instruction": "请问中医如何治疗瘰疬？","input": "","output": "中医治疗瘰疬通常采用中药内服和外用结合的方法。具体治疗方案因人而异，以下是一些常用的治疗方法：\n\n1. 清热解毒：使用具有清热解毒功效的中药，如金银花、连翘、黄芩等，可帮助清除毒素和热邪，减轻瘰疬症状。\n\n2. 活血化瘀：使用具有活血化瘀功效的中药，如当归、川芎、红花等，可促进血液循环，加速瘰疬的愈合。\n\n3. 外用贴敷：使用中药贴敷患处，如石膏、黄连、苦参等，可起到消炎、止痛、祛肿的作用。\n\n4. 食疗调理：可选择清淡易消化的食物，如蔬菜、水果、粥等，避免辛辣刺激性食物，同时加强营养，增强身体抵抗力。\n\n需要注意的是，瘰疬属于慢性疾病，治疗过程需要耐心和坚持，同时需避免刺激患处，保持身体清洁，避免感染。最好在专业中医医师的指导下进行治疗。"},{"instruction": "我经常消瘦，最近感觉特别乏力，有什么中药方剂可以推荐一下？要求：1. 请考虑所有症状。2. 请根据中医知识输出一步步的推理过程。","input": "","output": "首先，根据您描述的症状，消瘦和乏力是比较常见的症状，可能与多种因素有关。为了准确地确定中药方剂的选择，我需要了解更多的细节信息。\n\n1. 您的年龄、性别和身高体重比例是什么？\n\n2. 您的饮食结构如何，有没有厌食、消化不良等症状？\n\n3. 您的睡眠质量如何？有没有失眠或多梦的现象？\n\n4. 您的情绪状态如何？有没有情绪低落、焦虑、烦躁等情况？\n\n5. 您是否有其他症状，如盗汗、头晕、心悸等？\n\n根据中医的理论，消瘦和乏力可能与脾胃虚弱、气血不足、肝肾不足等有关。因此，在选择中药方剂时，需要考虑调补脾胃、益气养血、补肝肾等因素。同时，也需要结合具体病情，选择相应的药材进行配方。\n\n建议您到中医诊所或医院进行详细的中医体检和诊断，以便准确确定病因，选择最适合您的中药方剂。"}]# 编辑数据docs = []for i in range(len(text_datas)):page_content = text_datas[i]['instruction'] + "----------" + text_datas[i]['output']# new_document = Document(page_content=page_content, metadata={"namespace": "Wind_cold_disease"}) # 考虑多用户，使用 namespace 作为分区键，添加分区new_document = Document(page_content=page_content)docs.append(new_document)vector_db = Milvus.from_documents(docs,embed_model,collection_name="ChineseMedicineKnowledge",connection_args={"host": "服务器IP", "port": "19530"},)print(vector_db)

上述代码中，有两处地方需要根据自己电脑环境调整

embedding_model_name = ‘./本地文件夹/bce-embedding-base_v1’ 将本地文件夹改为自己电脑下载bce-embedding-base_v1文件夹路径
connection_args={“host”: “服务器IP”, “port”: “19530”} 将服务器IP改为自己部署的服务器ID

调整后，运行代码：

python milvus_insert.py

运行成功如下图所示

如果安装了Attu软件，可以在Attu中看到已添加的向量数据，下图所示：

向量搜索

milvus_rag.py 向量搜索示例代码：

from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import Milvus  
from langchain_core.documents import Document
import re# bce-embedding的模型
embedding_model_name = './本地文件夹/bce-embedding-base_v1'  # 修改为你的模型名称  
embedding_model_kwargs = {'device': 'cpu:0'}  
embedding_encode_kwargs = {'batch_size': 32, 'normalize_embeddings': True}  # 使用Hugging Face的模型名称
embed_model = HuggingFaceEmbeddings(  model_name=embedding_model_name,  model_kwargs=embedding_model_kwargs,  encode_kwargs=embedding_encode_kwargs  
)vector_db = Milvus(embed_model,connection_args={"host": "服务器IP", "port": "19530"},collection_name='ChineseMedicineKnowledge',
)query = "请问中医如何治疗瘰疬？"
docs = vector_db.similarity_search(query)# # 遍历列表中的每个字典
for document in docs:# # 打印文档的内容  print("Page Content:")  print(document.page_content)  print("\n\n")split_string = re.split("----------", document.page_content)print("content："+split_string[1])

上述代码中，有两处地方需要根据自己电脑环境调整

embedding_model_name = ‘./本地文件夹/bce-embedding-base_v1’ 将本地文件夹改为自己电脑下载bce-embedding-base_v1文件夹路径
connection_args={“host”: “服务器IP”, “port”: “19530”} 将服务器IP改为自己部署的服务器ID

调整后，运行代码