Was ist Milvus?
Milvus ist eine quelloffene, cloud-native Vektordatenbank, die entwickelt wurde, um riesige Sammlungen hochdimensionaler Vektor-Embeddings zu speichern, zu indizieren und zu durchsuchen. Die eigene GitHub-Beschreibung nennt sie "eine hochperformante, cloud-native Vektordatenbank, gebaut für skalierbare ANN-[Approximate-Nearest-Neighbor]-Vektorsuche". Im Kontext lokaler LLMs oder RAG ist Milvus selbst keine LLM-Inferenz-Engine — es ist die Retrieval-Infrastruktur, die dahinter sitzt: Ein Embedding-Modell wandelt Text (oder Bilder, Audio usw.) in Vektoren um, Milvus speichert und indiziert sie, und zum Abfragezeitpunkt findet Milvus die Vektoren, die einer neuen Anfrage am ähnlichsten sind, damit ein LLM eine Antwort generieren kann, die auf dem abgerufenen Inhalt basiert.
- Kernfunktion: Speicherung, Indizierung und Suche großer Sammlungen von Vektor-Embeddings mit Approximate-Nearest-Neighbor-(ANN)-Algorithmen, in Größenordnungen von Tausenden bis zu Dutzenden Milliarden Vektoren
- Geschrieben in Go und C++, laut GitHub-Repository, und von Grund auf als verteiltes, cloud-natives System konzipiert
- Bereitstellungsmodelle: eine eingebettete Bibliothek (Milvus Lite), ein Single-Machine-Server (Standalone) und ein verteilter Cluster (Kubernetes/Helm)
- Indextypen: HNSW, IVF, FLAT, DiskANN und GPU-beschleunigte Indizes (wie CAGRA), pro Collection wählbar je nach Geschwindigkeits-/Genauigkeits-/Speicher-Kompromiss
- Governance: Teil der LF AI & Data Foundation, desselben Linux-Foundation-Dachs, unter dem auch andere Open-Source-KI-/Dateninfrastruktur-Projekte beheimatet sind
- Wichtigster Unternehmensbeitragender: Zilliz, gegründet 2017, das auch den separaten verwalteten Dienst Zilliz Cloud anbietet
- Kanonisches Repository: github.com/milvus-io/milvus
Projektgeschichte und Versions-Meilensteine von Milvus
Milvus wurde 2019 von Zilliz geschaffen und als Open Source veröffentlicht. Es trat im Januar 2020 als Inkubationsprojekt der LF AI & Data Foundation bei und schloss die Inkubation im Juni 2021 offiziell ab — ein Meilenstein, den die Foundation Projekten vorbehält, die definierte Kriterien für Reife, Verbreitung und Governance erfüllen. Das Projekt durchlief zwischen der ursprünglichen 1.x-Linie und Milvus 2.0, veröffentlicht im Januar 2022, einen vollständigen architektonischen Umbau hin zu der verteilten, cloud-nativen, storage-compute-getrennten Architektur, die das Projekt bis heute nutzt.
- 12019: Erste Open-Source-Veröffentlichung
Why it matters: Zilliz veröffentlichte das ursprüngliche Milvus als Open Source und etablierte die erste Architektur des Projekts. - 2Januar 2020: Beitritt zur LF AI & Data Foundation als Inkubationsprojekt
Why it matters: Überführte Milvus unter eine neutrale, herstellerunabhängige Open-Source-Governance, statt ein reines Einzelunternehmens-Projekt zu bleiben. - 3Juni 2021: Abschluss der Inkubation bei der LF AI & Data Foundation
Why it matters: Signalisierte, dass das Projekt die Anforderungen der Foundation an Reife, Community-Größe und Governance erfüllte — die höchste Stufe des LF-AI-&-Data-Projektstatus. - 4Januar 2022: Milvus 2.0 veröffentlicht
Why it matters: Ein vollständiger architektonischer Umbau mit einem verteilten, cloud-nativen Design und getrennter Speicher- und Rechenschicht — die Grundlage der bis heute in der 2.x-Linie genutzten Architektur. - 52.4.x: GPU-beschleunigte Indizierung hinzugefügt
Why it matters: Fügte GPU-Indextypen (wie CAGRA) für deutlich schnelleren Indexaufbau und schnellere Suche auf unterstützter Hardware hinzu. - 62.5.x: Volltextsuche (BM25) und erweiterte hybride Suche
Why it matters: Fügte native spärliche/Volltextsuche neben der dichten Vektorsuche hinzu, sodass eine einzelne Abfrage stichwortartige und semantische Suche kombinieren kann. - 72.6.x — laufend bis 2026: Kontinuierliche Performance- und Zuverlässigkeits-Releases
Why it matters: Jüngere 2.6.x-Punkt-Releases (laut der [GitHub-Releases-Seite](https://github.com/milvus-io/milvus/releases)) konzentrieren sich auf Effizienz bei der Abfrageplanung, Korrektheitskorrekturen bei der GPU-Suche und Sicherheitshärtung — 2.6.26 erschien am 26. Oktober 2026 als das jüngste Punkt-Release, das diese Rezension verifizieren konnte. - 83.0 — 29. Juli 2026: Lake-native-Release
Why it matters: Laut der [GitHub-Releases-Seite](https://github.com/milvus-io/milvus/releases) brachte 3.0 External Collections zur Suche direkt in Parquet-, Iceberg-, Lance- und Vortex-Dateien, StructList-Multivektorfelder und Online-Schemaänderungen sowie ein optionales Storage-V3-Format, das ein Zurückrollen auf 2.6 verhindern kann — vor dem Upgrade die Release Notes lesen. 3.0.5 erschien am 30. Oktober 2026.
Was kann man mit Milvus machen?
Milvus' Funktionsumfang konzentriert sich auf die Speicherung und Suche von Vektor-Embeddings im großen Maßstab, ergänzt um hybride Suche und Multi-Tenancy für den produktiven RAG-Einsatz. Hier ist, was jeder Teil tatsächlich leistet, laut Milvus' eigener Dokumentation und GitHub-README.
- Vektor-Ähnlichkeitssuche — Embeddings speichern und Approximate-Nearest-Neighbor-Abfragen ausführen, um die ähnlichsten Vektoren zu einem gegebenen Abfragevektor zu finden, die Kernoperation hinter RAG-Retrieval und semantischer Suche
- Hybride Suche — kombiniert dichte Vektorähnlichkeit, spärliche/Volltext-Suche (BM25) und strukturierte Metadatenfilterung in einer einzigen Abfrage, statt separate Stichwort- und semantische Suchen auszuführen
- GPU-beschleunigte Indizierung — GPU-gestützte Indizes (wie CAGRA) auf unterstützter Hardware aufbauen und durchsuchen für deutlich höhere Performance im großen Maßstab
- Mehrere Indextypen — HNSW, IVF, FLAT, DiskANN und weitere, pro Collection wählbar, um zwischen Suchgeschwindigkeit, Recall-Genauigkeit und Speicher-/Festplatten-Footprint abzuwägen
- Multi-Tenancy — Datenbanken, Collections und Partitionen sowie rollenbasierte Zugriffskontrolle (RBAC), um verschiedene Anwendungen oder Teams auf gemeinsam genutzter Milvus-Infrastruktur zu isolieren
- Flexible Bereitstellungsskala — dasselbe Datenmodell und dieselbe API funktionieren von einer eingebetteten Milvus-Lite-Instanz auf einem Laptop bis zu einem verteilten Kubernetes-Cluster mit Dutzenden Milliarden Vektoren
- Framework- und Embedding-Modell-Integrationen — offizielle Integrationen mit LangChain, LlamaIndex und Embedding-Modellen von OpenAI, Hugging Face/Sentence Transformers, BGE-M3 und weiteren Anbietern, einschließlich lokaler/selbst gehosteter Embedding-Modelle
- Python-SDK (PyMilvus) — die primäre Client-Bibliothek,
pip install pymilvus, verwendet sowohl für den eingebetteten Milvus-Lite-Modus als auch für die Verbindung zu einem entfernten Standalone- oder Distributed-Server
Anwendungsbeispiele: Drei Wege, Milvus zu nutzen
Dies sind konkrete Workflows, die auf Milvus' oben dokumentierten Funktionen basieren, keine hypothetischen Anwendungsfälle.
Eine lokale RAG-Pipeline mit Milvus Lite als Prototyp aufbauen
pip install -U pymilvus ausführen (Milvus Lite ist im PyMilvus-SDK gebündelt) und die Verbindungs-URI auf einen lokalen Dateipfad setzen, etwa ./milvus.db. Milvus Lite speichert alles in dieser einen Datei — kein Server oder Docker erforderlich —, was es zu einem schnellen Weg macht, eine Retrieval-Augmented-Generation-Pipeline mit einem lokalen Embedding-Modell durchgängig zu testen, bevor überhaupt etwas bereitgestellt wird.
Eine selbst gehostete Vektordatenbank auf einer einzelnen Maschine für eine kleine RAG-App betreiben
Milvus Standalone via Docker Compose auf dem eigenen Server bereitstellen. Den PyMilvus-Client der eigenen Anwendung auf diesen Server statt auf eine lokale Datei zeigen lassen, und man hat eine persistente, selbst gehostete Vektordatenbank, die eine kleine Produktions-RAG-App oder ein internes Suchtool bedienen kann, ohne von einem externen verwalteten Dienst abhängig zu sein.
Stichwort- und semantische Suche in einer Abfrage kombinieren
Die eigenen Dokumente sowohl mit einem dichten Embedding-Modell als auch mit Milvus' integrierter BM25-Volltextunterstützung indizieren, dann eine hybride Suchabfrage ausführen, die Ergebnisse anhand beider Signale bewertet. Das erfasst Fälle, die eine reine semantische Suche übersehen kann — etwa einen exakten Produktcode oder ein Akronym, das ein dichtes Embedding-Modell allein möglicherweise nicht hoch genug gewichtet.
Milvus installieren
Milvus installiert sich kostenlos per pip für lokale/eingebettete Nutzung, per Docker für einen einzelnen selbst gehosteten Server oder per Helm für einen Kubernetes-Cluster. Es gibt keinen GUI-Installer — Milvus ist Infrastruktur, die man aus Code heraus betreibt und anbindet.
Source | Link |
|---|---|
| Offizielle Website (Docs, Schnellstart) | milvus.io |
| GitHub-Repository (Quellcode, Apache-2.0) | github.com/milvus-io/milvus |
| PyMilvus (Python-SDK + Milvus Lite) | pip install -U pymilvus — pypi.org/project/pymilvus |
| Docker Compose (Standalone) | milvus.io/docs/install_standalone-docker.md |
| Helm-Chart (Distributed/Kubernetes) | milvus.io/docs/install_cluster-milvusoperator.md |
Vor der Ausführung die aktuell empfohlenen Installationsbefehle auf milvus.io prüfen, da sich Installationsanweisungen und Helm-Chart-Versionen zwischen Releases ändern können. Milvus Lite ist der schnellste Weg, Milvus ohne separaten Serverprozess auszuprobieren; Standalone und Distributed sind die selbst gehosteten Wege für alles jenseits des lokalen Prototypings.
Milvus-Preise: Ist Milvus wirklich kostenlos?
Ja — Milvus selbst hat keine kostenpflichtige Stufe. Die Datenbank ist in allen drei Bereitstellungsmodi (Lite, Standalone, Distributed) kostenlos und quelloffen unter der Apache License 2.0, bestätigt über die LICENSE-Datei des GitHub-Repositorys.
- Kein Abonnement, keine kostenpflichtige Stufe, keine Nutzungsgrenzen durch selbst gehostetes Milvus selbst
- Kein Konto oder Anmeldung erforderlich, um Milvus herunterzuladen, zu installieren oder zu betreiben
- Rechenleistung, Speicher und jegliches Cloud-Hosting für den Betrieb von selbst gehostetem Milvus sind Kosten, die man selbst kontrolliert und separat trägt (eigener Server oder Cloud-VM), keine Gebühr an Milvus oder Zilliz
- Zilliz Cloud — ein vollständig verwalteter, kostenpflichtiger Hosting-Dienst für Milvus — ist vollständig optional und wird von Zilliz, Milvus' wichtigstem Unternehmensbeitragenden, getrennt vom Open-Source-Projekt selbst angeboten
Milvus vs. Qdrant
Milvus und Qdrant sind zwei der am weitesten verbreiteten quelloffenen Vektordatenbanken, die häufig miteinander verglichen werden, da beide kostenlos, selbst hostbar sind und hybride Suche für RAG-Pipelines unterstützen. Die klarsten Unterschiede liegen in der Architekturkomplexität und der typischen Bereitstellungsskala.
Sprache
- Milvus:
- Go / C++
- Qdrant:
- Rust
Lizenz
- Milvus:
- Apache-2.0
- Qdrant:
- Apache-2.0
Bereitstellungsmodi
- Milvus:
- Eingebettet (Lite), Standalone (Docker), Distributed (Kubernetes/Helm)
- Qdrant:
- Eingebettet, Single-Node-Docker, verteilter Cluster-Modus
GPU-beschleunigte Indizierung
- Milvus:
- Ja, bei unterstützten Indextypen
- Qdrant:
- Kein Kernfokus
Governance
- Milvus:
- LF AI & Data Foundation (abgeschlossenes Inkubationsprojekt); wichtigster Beitragender Zilliz
- Qdrant:
- Unternehmensgeführtes Open-Source-Projekt (Qdrant Solutions GmbH)
Typische Eignung
- Milvus:
- Großskalige, verteilte Produktions-Workloads; mehr architektonische Komplexität im Betrieb
- Qdrant:
- Einfacher selbst zu hosten für RAG-Apps im kleinen bis mittleren Maßstab; leichterer operativer Footprint
Wer Wert auf bewährte Skalierung auf Dutzende Milliarden Vektoren und GPU-beschleunigte Indizierung unter neutraler Foundation-Governance legt, findet in Milvus' Architektur die schwergewichtigere, produktionsorientiertere der beiden. Wer die einfachste mögliche selbst gehostete Vektordatenbank für ein RAG-Projekt im kleinen bis mittleren Maßstab sucht, sollte Qdrant direkt prüfen — siehe den Qdrant-Rezension für eine vollständige Übersicht. Beide sind kostenlos und quelloffen; aktuelle Funktionsdetails vor einer Entscheidung direkt auf der jeweiligen Projektseite prüfen, da beide häufig Updates veröffentlichen.
Für wen eignet sich Milvus?
Ob Milvus passt, hängt vom Umfang der eigenen Retrieval-Workload ab und davon, ob man einen Weg vom lokalen Prototyping bis zur verteilten Produktion ohne Datenbankwechsel möchte.
Milvus nutzen, wenn
- man eine RAG-Pipeline oder semantische Suchfunktion baut und eine einzige Vektordatenbank möchte, die vom Laptop-Prototyp (Milvus Lite) bis zum verteilten Produktions-Cluster (Kubernetes/Helm) skaliert, ohne neu geschrieben werden zu müssen
- man hybride Suche benötigt — die Kombination aus dichter Vektorähnlichkeit, Volltext-/BM25-Suche und Metadatenfilterung — in einer Abfrage
- man GPU-beschleunigte Indizierung für sehr große Vektorsammlungen benötigt
- man möchte, dass die Retrieval-Schicht von einer neutralen, herstellerunabhängigen Foundation (LF AI & Data) verwaltet wird, statt ein Closed-Source-Produkt eines einzelnen Unternehmens zu bleiben
- man später die Option eines optionalen verwalteten Hosting-Wegs (Zilliz Cloud) haben möchte, ohne von Anfang an daran gebunden zu sein
Abwarten oder woanders suchen, wenn
- man das absolut einfachste selbst gehostete Setup für ein kleines Projekt möchte — eine leichtgewichtigere Datenbank wie Qdrant oder Chroma kann bei kleinem bis mittlerem Maßstab weniger operativen Aufwand bedeuten
- man eine mitgelieferte Chat-Oberfläche oder eine Endnutzer-Anwendung benötigt — Milvus ist Infrastruktur mit
cli-/library-Schnittstellen, keine eigenständige App zum Öffnen und Herumklicken; für ein endnutzerorientiertes Erlebnis mit einem RAG-Framework oder einer Chat-App kombinieren - man nicht plant, über einen kleinen Datensatz hinaus zu skalieren und weder GPU-Indizierung noch Multi-Tenancy benötigt — die Betriebsoberfläche, die Milvus im großen Maßstab bietet, könnte mehr sein, als man braucht
- man offiziellen Enterprise-Support mit SLA für das Open-Source-Projekt selbst benötigt — dieses Support-Niveau wird über den separaten, kostenpflichtigen Dienst Zilliz Cloud angeboten, nicht direkt über das Open-Source-Projekt Milvus
Milvus vs. andere Vektordatenbanken
Milvus ist eine von mehreren quelloffenen Vektordatenbanken, die häufig in lokalen und selbst gehosteten RAG-Stacks eingesetzt werden. Siehe das Local LLM Software Directory für den vollständigen Katalog und den dedizierten Milvus-vs.-Qdrant-Vergleich oben für den nächstliegenden direkten Vergleich.
- Qdrant — eine in Rust geschriebene quelloffene Vektordatenbank mit einfacherem operativem Footprint, beliebt für selbst gehostetes RAG im kleinen bis mittleren Maßstab; siehe den dedizierten Vergleichsabschnitt oben und den Qdrant-Rezension.
- Chroma — eine leichtgewichtige, entwicklerfreundliche quelloffene Embedding-Datenbank, oft für schnelles lokales RAG-Prototyping genutzt; siehe den Chroma-Rezension.
- txtai — eine eingebettete, Python-native Vektor-/Semantiksuche-Bibliothek, die in-process statt als separater Server läuft, eine leichtgewichtigere Alternative für kleinere lokale Projekte; siehe den txtai-Rezension.
Häufige Fehler bei der Bewertung von Milvus
Die meiste Verwirrung rund um Milvus entsteht durch die Vermischung mit Zilliz Cloud, die Unterschätzung der operativen Komplexität im großen Maßstab oder die Erwartung, es würde mehr als Retrieval leisten.
Fehler 1: Annehmen, Milvus erfordere Zilliz Cloud oder ein kostenpflichtiges Konto
Milvus ist vollständig selbst hostbar und kostenlos unter Apache-2.0. Zilliz Cloud ist ein separates, optionales verwaltetes Hosting-Produkt von Zilliz — der Betrieb von selbst gehostetem Milvus (Lite, Standalone oder Distributed) erfordert überhaupt kein Konto bei Zilliz.
Fehler 2: Erwarten, dass Milvus selbst Embeddings erzeugt oder LLM-Inferenz ausführt
Milvus speichert und durchsucht Vektoren — es wandelt weder selbst Text in Embeddings um noch generiert es selbst Antworten. Man kombiniert es mit einem separaten Embedding-Modell (lokal oder Cloud) und typischerweise einem LLM, um eine vollständige RAG-Pipeline zu bauen.
Fehler 3: Distributed-/Kubernetes-Modus für ein kleines Projekt bereitstellen
Milvus Lite oder Standalone decken die überwiegende Mehrheit lokaler Entwicklungs- und kleiner bis mittlerer Produktions-Anwendungsfälle mit deutlich geringerem operativem Aufwand ab. Die Distributed-/Kubernetes-Bereitstellung ist für groß angelegte Produktion konzipiert und bringt echte operative Komplexität mit, die die meisten kleinen RAG-Projekte nicht benötigen.
Fehler 4: Annehmen, Milvus sei das Closed-Source-Produkt eines einzelnen Unternehmens
Milvus wird von der LF AI & Data Foundation verwaltet und schloss ihr Inkubationsprogramm im Juni 2021 ab — ein herstellerneutraler Governance-Status, auch wenn Zilliz weiterhin der wichtigste Unternehmensbeitragende bleibt und separat einen darauf aufbauenden verwalteten Cloud-Dienst verkauft.
Häufig gestellte Fragen
Was ist Milvus?
Milvus (milvus.io, Quellcode unter github.com/milvus-io/milvus) ist eine kostenlose, quelloffene, cloud-native Vektordatenbank für die Speicherung und Suche groß angelegter Vektor-Embeddings, häufig eingesetzt als Retrieval-Schicht in RAG-Pipelines.
Ist Milvus kostenlos?
Ja. Milvus ist kostenlos und quelloffen unter der Apache License 2.0 in allen drei Bereitstellungsmodi (Lite, Standalone, Distributed). Zilliz Cloud, ein separater verwalteter Hosting-Dienst, ist optional und für die Nutzung von Milvus nicht erforderlich.
Ist Milvus quelloffen? Welche Lizenz nutzt es?
Ja. Milvus ist unter Apache-2.0 lizenziert, laut der LICENSE-Datei im GitHub-Repository, und wird von der LF AI & Data Foundation verwaltet.
Wie installiere ich Milvus?
pip install -U pymilvus für Milvus Lite ausführen (eingebettete, lokale dateibasierte Nutzung), Milvus Standalone via Docker Compose für einen einzelnen selbst gehosteten Server bereitstellen, oder das Helm-Chart / den Milvus Operator für eine verteilte Kubernetes-Bereitstellung nutzen. Siehe den Abschnitt Milvus installieren oben.
Was ist Milvus Lite?
Milvus Lite ist eine eingebettete Version von Milvus, gebündelt mit dem Python-SDK PyMilvus — installieren mit pip install -U pymilvus, die Verbindungs-URI auf eine lokale Datei richten (etwa ./milvus.db), und es läuft vollständig in-process ohne separaten Server, ideal für lokales Prototyping.
Unterstützt Milvus RAG mit lokalen Embedding-Modellen?
Ja. Milvus integriert sich mit LangChain und LlamaIndex, und sein Python-SDK unterstützt Embedding-Modelle von Sentence Transformers, BGE-M3 und weiteren Quellen, einschließlich lokal laufender Modelle — nicht nur Cloud-Anbieter wie OpenAI.
Ist Milvus dasselbe wie Zilliz Cloud?
Nein. Milvus ist das quelloffene Datenbankprojekt selbst, verwaltet von der LF AI & Data Foundation. Zilliz Cloud ist ein separater, optionaler, kostenpflichtiger verwalteter Hosting-Dienst von Zilliz, Milvus' wichtigstem Unternehmensbeitragenden.
Unterstützt Milvus GPU-Beschleunigung?
Ja. Milvus unterstützt GPU-beschleunigte Indextypen (wie CAGRA) auf unterstützter Hardware für schnelleren Indexaufbau und schnellere Suche im großen Maßstab, eingeführt in der 2.4.x-Release-Linie.
Unterstützt Milvus hybride Suche?
Ja. Milvus unterstützt die Kombination aus dichter Vektorähnlichkeit, spärlicher/Volltext-Suche (BM25) und Metadatenfilterung in einer einzigen Abfrage — Volltextsuche wurde in der 2.5.x-Release-Linie hinzugefügt.
Wie schneidet Milvus im Vergleich zu Qdrant ab?
Beide sind kostenlose, quelloffene, selbst hostbare Vektordatenbanken, die hybride Suche unterstützen. Milvus bietet GPU-beschleunigte Indizierung und eine stärker verteilte, produktionsreife Architektur unter der Governance der LF AI & Data Foundation; Qdrant, geschrieben in Rust, ist im Allgemeinen einfacher für kleine bis mittlere Projekte selbst zu hosten. Siehe den dedizierten Abschnitt Milvus vs. Qdrant oben.
Wer verwaltet das Milvus-Projekt?
Milvus ist Teil der LF AI & Data Foundation (ein Dachprojekt der Linux Foundation), deren Inkubation es im Juni 2021 abschloss. Zilliz, das Unternehmen, das Milvus ursprünglich 2019 als Open Source veröffentlichte, bleibt der wichtigste Unternehmensbeitragende.