Milvus 向量数据库怎么用：Docker 部署与检索验证
Milvus 是一个开源的向量数据库，主要用来存储和检索高维向量，常见于语义搜索、推荐系统和图片去重等场景。
如果你刚接触 Milvus，最直接的验证方式是先用 Docker 跑起单机版，再通过 Python SDK 完成一次插入和检索。
下面按这个顺序展开，命令和配置可直接复制使用。
跑起来之前先确认环境
单机版 Milvus 依赖 Docker 和 Docker Compose。
在 Linux 服务器或本地开发机上执行：
docker --version
docker compose version两条命令都能输出版本号即可。
Milvus 单机版默认会启动 etcd、MinIO 和 milvus-standalone 三个容器，需要至少 8GB 内存和 2 核 CPU，磁盘预留 10GB 以上比较稳妥。
如果内存不足，容器可能反复重启，这是新手最容易忽略的前提。
用 Docker Compose 启动单机版
官方提供了单机部署的 compose 文件，直接下载并启动：
wget https://github.com/milvus-io/milvus/releases/download/v2.3.3/milvus-standalone-docker-compose.yml -O docker-compose.yml
docker compose up -d启动后检查容器状态：
docker compose ps看到 milvus-standalone、milvus-etcd、milvus-minio 三个服务状态为 running 或 healthy 就表示正常。
Milvus 对外暴露 19530 端口供 SDK 连接，9091 是健康检查端口。
可以用下面的命令快速验证服务是否响应：
curl http://127.0.0.1:9091/healthz返回 OK 说明服务已就绪。
如果连接的是远程服务器，记得在防火墙或安全组中放行 19530 端口，否则后续 SDK 会连接超时。
安装 Python SDK 并跑通第一个检索
Milvus 提供 pymilvus 包，安装命令：
pip install pymilvus==2.3.4版本尽量与 Milvus 服务端主版本保持一致，避免协议不兼容。
下面是一段完整的示例，包含创建集合、插入三条向量、按相似度检索：
from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection
connections.connect(host="127.0.0.1", port="19530")
fields = [
FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=4),
]
schema = CollectionSchema(fields, description="demo")
collection = Collection(name="demo_collection", schema=schema)
collection.insert([
[1, 2, 3],
[[0.1, 0.2, 0.3, 0.4], [0.2, 0.1, 0.5, 0.3], [0.9, 0.8, 0.7, 0.6]],
])
collection.create_index(field_name="vector", index_params={"index_type": "IVF_FLAT", "metric_type": "L2", "params": {"nlist": 128}})
collection.load()
res = collection.search(
data=[[0.1, 0.2, 0.3, 0.4]],
anns_field="vector",
param={"metric_type": "L2", "params": {"nprobe": 10}},
limit=2,
)
for hit in res[0]:
print(hit.id, hit.distance)预期输出会打印两条最相似记录的 id 和距离。dim=4 只是演示用，实际业务中向量维度由你的嵌入模型决定，比如 768 或 1024。
插入数据后必须调用 create_index 和 load 才能检索，这是 Milvus 与普通数据库操作习惯不同的地方。
常见连接与检索报错怎么排查
连接被拒绝或超时：先确认 docker compose ps 中三个容器都在运行，再用 curl http://127.0.0.1:9091/healthz 检查服务端。
远程连接时检查端口是否放行，以及 Python 脚本里的 host 是否填了服务器公网 IP。
报错 collection not loaded：检索前漏掉了 collection.load()，或者集合刚创建索引后需要等待加载完成。
可以在代码中调用 collection.load() 后加一个短暂等待，或者用 utility.load_state() 查看加载状态。
插入维度不一致：检查 FieldSchema 中 dim 是否与插入向量的长度一致，维度不匹配会直接抛异常，不会静默截断。
验证与下一步
跑通示例后，可以打开 Attu（Milvus 的图形化管理工具）查看集合结构和数据量，确认插入与索引是否生效。
后续如果要做批量导入，建议使用 collection.insert 分批提交，避免单次数据过大导致内存压力。
需要提醒的是，单机版适合开发和测试，生产环境通常需要集群部署和更细的资源配置。
如果检索结果不符合预期，优先检查度量类型（L2 与 IP 的选择）和索引参数，而不是盲目重建集合。
常见疑问
Milvus 和普通数据库有什么区别？ 普通数据库按字段精确匹配，Milvus 按向量距离找相似项，适合语义层面的模糊匹配。
一定要用 Docker 吗？ 不是必须，但 Docker 是官方推荐且最容易复现的方式，手动编译安装的依赖更多，新手不建议一开始就走这条路。
插入数据后为什么搜不到？ 最常见原因是集合未加载或索引未创建，按上文顺序检查 create_index 和 load 是否都执行成功。
