向量数据库Milvus住宅服务器搭建

知识分享

2026-06-22 12:00

28 阅读

住宅服务器搭建向量数据库Milvus完整实操教程

如果你正在寻找一个能在自己家里服务器上运行的向量数据库，Milvus 是一个非常主流的选择。
它主要用来存储和搜索非结构化数据的向量表示，比如图像特征、文本嵌入等。
本文会手把手带你在住宅环境中完成 Milvus 的部署，确保每一步都能落地。

家庭服务器也能跑 Milvus？先看硬件门槛

Milvus 分为 Standalone（单机）和 Cluster（集群）模式。
对于住宅服务器，建议使用 Standalone 模式，资源占用相对较低。

内存：官方推荐至少 8GB 可用内存（含系统）。如果数据量不大（百万级向量以内），8GB 可以跑起来。
CPU：2 核以上即可，建议 4 核。
磁盘：20GB 以上空余空间，SSD 更佳。
操作系统：Ubuntu 20.04/22.04 或 CentOS 7/8，本文以 Ubuntu 22.04 为例。
Docker 和 Docker Compose：必须安装。

如果你的服务器配置较低，可以在启动时通过环境变量调整内存占用（后面会讲）。

第一步：安装 Docker 与 Docker Compose

Milvus 官方推荐用 Docker Compose 部署。
还没装 Docker 的同学，先执行以下命令：

# 更新包索引
sudo apt update && sudo apt upgrade -y

# 安装 Docker
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh

# 将当前用户添加到 docker 组（避免每次都要 sudo）
sudo usermod -aG docker $USER
newgrp docker

# 验证 Docker 是否正常
docker --version

接着安装 Docker Compose（如果系统已带 docker compose 插件可跳过）：

# 下载最新版 Compose（v2 版本）
sudo curl -L "https://github.com/docker/compose/releases/latest/download/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose
docker-compose --version

第二步：用 Docker Compose 一键部署 Milvus Standalone

mkdir ~/milvus && cd ~/milvus

下载 Milvus 官方提供的 standalone 版 docker-compose.yml：

wget https://raw.githubusercontent.com/milvus-io/milvus/master/deployments/docker-compose-standalone.yml

启动容器：

docker-compose up -d

检查容器是否全部启动：

docker-compose ps

正常情况下可以看到三个容器：etcd、minio 和 standalone（milvus 本体），状态都是 Up。

查看运行日志确认无报错：

docker-compose logs -f standalone

看到类似 milvus is ready 的日志就说明部署成功。

第三步：调整资源配置让 Milvus 更流畅（避坑重点）

住宅服务器通常内存不充裕，默认配置可能占用过高。
你可以修改 docker-compose-standalone.yml 中的 standalone 服务环境变量：

environment:
  - "CACHE_SIZE=512"  # 缓存大小，单位MB，默认很高，降低到512
  - "QUERY_NQ_QUEUE_SIZE=4"

也可以在启动前修改 minio 的内存限制：在 minio 服务下添加 mem_limit: 2g 等。

更简单的方法是在 docker-compose up -d 之前，编辑 yml 文件，在 standalone 服务的 deploy 字段中加入：

deploy:
  resources:
    limits:
      memory: 4g
    reservations:
      memory: 2g

然后重新启动：

docker-compose down
docker-compose up -d

这样 Milvus 进程最多使用 4GB 内存，保留给系统和其他应用。

第四步：新手最容易踩的坑汇总

端口冲突：Milvus 默认占用 19530（gRPC）和 9091（HTTP）。如果这些端口已被占用，可以在 docker-compose-standalone.yml 中修改 ports 映射，比如改成 19531:19530。
内存不足导致容器退出：如果启动后容器不断重启，先查看日志 docker-compose logs standalone，常见错误是 Out of memory。按上一步降低内存限制或给服务器加 swap。
系统时间不同步：Milvus 依赖时间戳，如果服务器时间偏差大可能导致数据异常。建议安装 ntp 同步时间。
防火墙拦截：如果你需要从其他设备连接 Milvus，记得开放对应端口（19530）。

第五步：连上 Milvus 验证数据读写

在本地（或另一台机器）安装 Python 库 pymilvus，然后尝试连接并插入/搜索向量。

pip install pymilvus

创建测试脚本 test_milvus.py：

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

# 连接 Milvus（默认地址 localhost:19530）
connections.connect(host='localhost', port='19530')

# 创建集合
fields = [
    FieldSchema(name='id', dtype=DataType.INT64, is_primary=True),
    FieldSchema(name='embedding', dtype=DataType.FLOAT_VECTOR, dim=128)
]
schema = CollectionSchema(fields, description='test collection')
collection = Collection(name='test_collection', schema=schema)

# 插入 10 条随机向量
import random
import numpy as np
vectors = [[random.random() for _ in range(128)] for _ in range(10)]
ids = list(range(10))
collection.insert([ids, vectors])

# 创建索引（可选）
index_params = {
    'metric_type': 'L2',
    'index_type': 'IVF_FLAT',
    'params': {'nlist': 128}
}
collection.create_index(field_name='embedding', index_params=index_params)

# 搜索
collection.load()
search_vector = [random.random() for _ in range(128)]
results = collection.search(data=[search_vector], anns_field='embedding', param={'metric_type': 'L2', 'params': {'nprobe': 10}}, limit=3)
print('搜索结果 IDs:', results[0].ids)

运行：

python test_milvus.py

如果没有报错并打印出 IDs，说明整个 Milvus 服务已搭建成功，可以投入使用了。

结语

本文从零开始，带你在住宅服务器上完成了 Milvus 的搭建、配置和验证。
建议初次使用先按官方默认配置运行，熟悉后再根据内存和性能需求调整参数。
如果你遇到其他奇怪的问题，可以回看避坑部分或查阅 Milvus 官方文档，大部分问题都已有解决方案。

新手也能搞定：GPT4o接口聚合中转网关搭建教程

RAG私有知识库跨境站集成：跨境网站接入RAG私有知识库