milvus创建问答数据库

### 使用 Milvus 创建问答系统的数据库

#### 安装 Milvus

为了创建基于 Milvus 的问答系统数据库，首先需要安装 Milvus。可以选择使用 Docker 或者通过 Zilliz Cloud 来简化部署过程。

对于本地环境，推荐采用 Docker 方式来安装 Milvus：

docker pull milvusdb/milvus:v2.0-cpu-d081721-5e559c
docker run -d --name milvus_cpu -p 19530:19530 -p 19121:19121 \
    -v /home/$USER/milvus/db:/var/lib/milvus/db \
    -v /home/$USER/milvus/conf:/etc/milvus/conf \
    -v /home/$USER/milvus/wal:/var/lib/milvus/wal \
    milvusdb/milvus:v2.0-cpu-d081721-5e559c

另一种更简便的方式是利用 Zilliz Cloud 全托管服务，在无需管理底层基础设施的情况下享受 Milvus 功能[^4]。

#### Python 连接并操作 Milvus 数据库

要使 Python 应用程序能够与 Milvus 交互，需先安装 `pymilvus` 包:

pip install pymilvus==2.0.0

接着可以编写一段简单的 Python 脚本来连接到 Milvus 并执行基本的操作，比如创建集合、插入数据以及查询相似项：

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

connections.connect("default", host="localhost", port="19530")

fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128)
]

schema = CollectionSchema(fields, "QA System Database")
qa_collection = Collection("qa_system_db", schema)

data = [[i for i in range(10)], [[float(j) for j in range(128)] for _ in range(10)]]
qa_collection.insert(data)

# 构建索引以加速最近邻搜索
index_params = {
    'metric_type': 'L2',
    'index_type': 'IVF_FLAT',
    'params': {'nlist': 128}
}

qa_collection.create_index(field_name="embedding", index_params=index_params)

# 加载集合以便进行实时查询
qa_collection.load()

search_param = {"metric_type": "L2", "params": {"nprobe": 10}}
results = qa_collection.search(
    data=[[random.random() for _ in range(128)]],
    param=search_param,
    limit=3,
    expr=None
)

for result in results:
    print(f"Query Result IDs: {result.ids}")

这段代码展示了如何定义字段模式、构建嵌入向量维度为 128 的 QA 集合，并对其进行简单增删改查操作。注意这里的 embedding 字段用于存储问题或答案经过编码后的特征表示形式[^1]。