最近，检索增强生成（RAG）技术在 AI 界引起了广泛关注。作为一种将知识库与生成模型结合的新型架构，RAG 大大提升了 AI 应用的实际表现。而在构建 RAG 系统时，Milvus 作为业界领先的开源向量数据库，扮演着关键角色。本文将通过在 Dify 平台上使用 Milvus，带领大家构建一个高效的 RAG 系统，探索向量数据库的实际应用场景。

一、Milvus 基本原理介绍

1.1 为什么要用向量数据库？

在 AI 应用场景下，比如图像识别、自然语言处理等，数据往往是非结构化的。传统的关系型数据库很难处理这些高维度的非结构化数据。因此，向量数据库应运而生，专门设计用于存储和管理这种数据，并可以实现高效的相似度检索。

向量数据库通过将复杂的数据（如图片、文本）转化为向量的形式进行存储，每个向量代表数据中的不同特征，方便快速检索相似内容。比如在推荐系统中，可以通过用户行为向量，检索出相似用户的行为进行个性化推荐。

1.2 为什么要用 Milvus？

Milvus 是目前领先的开源向量数据库之一，设计之初就针对大规模非结构化数据的存储与检索进行了优化。它具备如下优势：

高性能：Milvus 基于诸如 FAISS、Annoy 和 HNSW 等先进的向量搜索库，能够处理亿级甚至更大规模的向量数据，适合需要高效检索的应用场景。

可扩展性：Milvus 采用了存储和计算分离的架构，支持水平扩展，能够灵活适应从小型应用到大型分布式系统的需求。

广泛的应用场景：Milvus 可以应用于各种 AI 场景，如图像、视频检索，文本检索，推荐系统等，具有广泛的行业适用性

通过使用 Milvus，我们能够大大提升在大规模向量检索场景下的处理效率，从而让 AI 应用变得更加智能、高效。

1.3 Milvus 架构概述

Milvus 建立在流行的矢量搜索库（包括 Faiss、HNSW、DiskANN、SCANN 等）之上，旨在对包含数百万、数十亿甚至数万亿矢量的密集矢量数据集进行相似性搜索。

Milvus 采用共享存储架构，存储和计算分离，计算节点可水平扩展。 Milvus 遵循数据平面和控制平面分解的原则，包括：接入层、协调器服务、工作节点和存储。在扩展或灾难恢复方面，这些层是相互独立的。

1.4 Milvus 的应用场景

Milvus 的应用场景非常广泛，包括但不限于：

图像和视频检索。我们可以使用 Milvus 存储图像和视频的向量数据，然后使用这些向量数据进行检索。

文本检索。我们可以使用 Milvus 存储文本的向量数据，然后使用这些向量数据进行检索。

推荐系统。我们可以使用 Milvus 存储用户和物品的向量数据，然后使用这些向量数据进行推荐。

自然语言处理。我们可以使用 Milvus 存储文本的向量数据，然后使用这些向量数据进行自然语言处理。

二、Dify 平台的介绍

Dify 是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务（Backend as Service）和 LLMOps 的理念，使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员，也能参与到 AI 应用的定义和数据运营过程中。

三、Milvus 与 Dify 平台的部署实践

在部署过程中，我发现 Milvus 提供了三种部署模式，分别适合不同的使用场景。接下来，我会分别介绍这三种模式，并通过简单的示范，带你快速上手。

模式一：Milvus Lite

是一个可以轻松集成到您的应用程序中的 Python 库。作为 Milvus 的轻量级版本，它非常适合在 Jupyter Notebook 中快速原型设计或在资源有限的边缘设备上运行。

3.1.1 设置 Milvus Lite

pip install -U pymilvus

复制代码

3.1.2 连接 Miluvs Lite

在pymilvus中，指定本地文件名作为 MilvusClient 的 uri 参数将使用 Milvus Lite。

运行下面代码后，将在当前文件夹中生成一个名为 milvus_demo.db 的数据库文件。

from pymilvus import MilvusClient

复制代码

模式二：Milvus Standalone

3.2.1 首先，我们需要获取 Milvus 的部署文件，只需在终端运行以下命令

wget https://github.com/milvus-io/milvus/releases/download/v2.4.5/milvus-standalone-docker-compose.yml -O docker-compose.yml

复制代码

3.2.2 然后执行以下命令，Milvus 就可以启动啦！

sudo docker compose up -d

复制代码

3.2.3 等一会儿，就会看到 Milvus 已经在后台运行

docker ps -a

复制代码

模式三：Milvus Distributed

如果你的需求是处理大规模数据，比如亿级别的向量检索，那么 Milvus Distributed 正是为你量身定制。它可以部署在 Kubernetes 集群中，适合云原生架构的大规模场景。

简单部署示范：

1.配置好 Kubernetes 集群。

2.使用 Helm 或 Operator 进行 Milvus 的分布式部署。

Milvus 在 Dify 上的实战

说明：请确保系统已安装 docker 和 docker-compose

将 dify 项目 Clone 到本地

git clone https://github.com/langgenius/dify.git

复制代码

拷贝 env 并修改指定使用 Milvus

cp .env.example .env

复制代码

执行 docker-compose 启动 dify

docker-compose -f docker-compose.yaml up -d

复制代码

访问 dify 平台并登录

使用 Milvus 构建 RAG

说明：部署前已准备好模型，此文档中对如何部署本地模型不做赘述

准备数据集创建知识库上传测试文档

验证向量检索是否成功

可以看到 dify 日志里显示是成功的

Milvus 数据库中也有数据了

尝试验证 RAG 效果

四、未来展望

想象一下，未来我们可以用 Milvus 处理数以亿计的图像或文本，并在几秒内完成检索。而且，Milvus 不断进化，未来的版本可能在数据安全性、可视化、性能扩展等方面做得更加出色。