Milvus 向量数据库实战指南：从 Docker 部署到 AI 日记语义搜索

📖 本文将带你从零开始，使用 Docker Compose 部署 Milvus 向量数据库，并结合 OpenAI Embeddings 实现一个"AI 日记"语义搜索 Demo。

一、❓ 为什么需要向量数据库？

传统数据库（MySQL、MongoDB）擅长精确匹配查询，比如"查找日期为 2026-01-10 的日记"。但当我们想查询语义相近的内容时，比如：

“我想找关于户外活动的日记”

传统数据库就无能为力了——它无法理解"爬山"“散步”"公园"都属于"户外活动"的范畴。

向量数据库正是为解决这类问题而生。它的核心原理是：

💡 这就是语义搜索（Semantic Search）的本质。

二、🚀 Milvus 是什么？

Milvus 是由 Zilliz 公司推出的开源向量数据库，专为大规模向量相似度搜索而设计。它的核心优势：

三、🐳 Docker Compose 一键部署 Milvus

Milvus Standalone 模式由三个核心服务组成，通过 docker-compose.yml 编排：

┌─────────────────────────────────────────────────┐
│ Docker Compose 编排 │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────────┐ │
│ │ etcd │ │ MinIO │ │ Milvus │ │
│ │ 元数据存储│ │ 对象存储 │ │ Standalone │ │
│ │ │ │ │ │ (核心引擎) │ │
│ └──────────┘ └──────────┘ └──────────────┘ │
│ ↑ ↑ ↑ │
│ :2379 :9000 :19530 │
│ :9001 :9091 │
└─────────────────────────────────────────────────┘

📋 三个服务各自的职责：

1️⃣ etcd — 元数据存储

• 🗂️ 存储 Milvus 的元数据信息（集合定义、索引配置等）
• 🏷️ 基于 CoreOS etcd v3.5.25
• 🛡️ 配置了自动压缩和快照策略，保证数据一致性

2️⃣ MinIO — 对象存储

• 📦 存储实际的向量数据文件和索引文件
• 🔗 兼容 S3 协议的对象存储
• 🌐 暴露 9000（API）和 9001（管理控制台）端口
• 🔑 默认凭证：minioadmin / minioadmin

3️⃣ Milvus Standalone — 核心引擎

• 🧠 向量数据库的主服务，处理所有查询和写入请求
• 🚪 暴露 19530（gRPC，SDK 连接端口）和 9091（健康检查）端口
• ⏳ 依赖 etcd 和 MinIO，启动时会等待它们健康就绪

▶️ 启动命令

# 🚀 在项目目录下执行
docker-compose -f milvus-standalone-docker-compose.yml up -d

# 📊 查看服务状态
docker-compose -f milvus-standalone-docker-compose.yml ps

# 🛑 停止服务
docker-compose -f milvus-standalone-docker-compose.yml down

💾 数据持久化：所有数据通过 ./volumes/ 目录挂载到宿主机，重启不丢失。

四、🤖 Node.js SDK 集成实战：AI 日记语义搜索

部署好 Milvus 后，我们用 Node.js 构建一个"AI 日记"Demo——将日记内容向量化后存入 Milvus，实现语义搜索。

📚 4.1 技术栈

⚙️ 4.2 环境配置

在 .env 文件中配置 API 密钥和模型：

OPENAI_API_KEY=your_api_key
OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
EMBEDDINGS_MODEL_NAME=text-embedding-v3

🌟 本示例使用阿里云 DashScope 的 text-embedding-v3 模型，输出 1024 维向量。你也可以替换为 OpenAI 的 text-embedding-3-small 等模型。

🔄 4.3 核心流程

整个流程分为 5 步：

🔗 连接 Milvus → 📁 创建集合 → 🏗️ 创建索引 → 📥 加载集合 → ✍️ 插入数据

🔗 Step 1：连接 Milvus

import { MilvusClient } from '@zilliz/milvus2-sdk-node';

const client = new MilvusClient({
address: 'localhost:19530' // Milvus gRPC 端口
});

📁 Step 2：定义集合 Schema

import { DataType } from '@zilliz/milvus2-sdk-node';

await client.createCollection({
collection_name: 'ai_diary',
fields: [
{ name: 'id', data_type: DataType.VarChar, max_length: 50, is_primary_key: true },
{ name: 'vector', data_type: DataType.FloatVector, dim: 1024 }, // 1024维向量
{ name: 'content', data_type: DataType.VarChar, max_length: 5000 },
{ name: 'date', data_type: DataType.VarChar, max_length: 50 },
{ name: 'mood', data_type: DataType.VarChar, max_length: 50 },
{ name: 'tags', data_type: DataType.Array, element_type: DataType.VarChar,
max_capacity: 10, max_length: 50 }
]
});

⚠️ 关键点：vector 字段类型为 FloatVector，维度 dim 必须与 Embedding 模型输出维度一致（这里是 1024）。

🏗️ Step 3：创建向量索引

import { IndexType, MetricType } from '@zilliz/milvus2-sdk-node';

await client.createIndex({
collection_name: 'ai_diary',
field_name: 'vector',
index_type: IndexType.IVF_FLAT, // 索引算法
metric_type: MetricType.COSINE, // 相似度度量：余弦相似度
params: { nlist: 1024 } // 聚类中心数
});

📊 索引类型选择指南：

✍️ Step 4：生成 Embedding 并插入数据

import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings({
apiKey: process.env.OPENAI_API_KEY,
model: process.env.EMBEDDINGS_MODEL_NAME,
configuration: { baseURL: process.env.OPENAI_BASE_URL },
dimensions: 1024
});

// 🔡 将日记内容转为向量
async function getEmbedding(text) {
return await embeddings.embedQuery(text);
}

// 📦 批量生成向量并插入
const diaryData = await Promise.all(
diaryContents.map(async (diary) => ({
…diary,
vector: await getEmbedding(diary.content)
}))
);

await client.insert({
collection_name: 'ai_diary',
data: diaryData
});

📓 4.4 日记数据示例

Demo 中准备了 5 条模拟日记：

🔍 当你搜索"户外运动"时，Milvus 会返回 diary_003（爬山）和 diary_001（公园散步），因为它们的语义与"户外运动"最接近——即使文本中没有出现"户外运动"这四个字。

五、🏁 运行项目

# 1. 🐳 启动 Milvus
docker-compose -f milvus-standalone-docker-compose.yml up -d

# 2. 📦 安装依赖
pnpm install

# 3. 🔑 配置 .env 文件（填入你的 API Key）

# 4. ▶️ 运行 Demo
node index.mjs

预期输出：

Connecting to Milvus…
✓ Connected

Creating collection…
Collection created

Creating index…
Index created

Loading collection…
Collection loaded

Inserting diary entries…
Generating embeddings…
✓ Inserted 5 records

六、📌 总结

本文完整演示了向量数据库的应用链路：

文本数据 → Embedding 模型 → 高维向量 → Milvus 存储 → 语义搜索

🎯 核心要点回顾：

🚀 这套方案可以广泛应用于 RAG（检索增强生成）、智能客服、文档搜索、推荐系统 等 AI 应用场景。