Qu'est-ce que Milvus ?
Milvus est une base de données vectorielle open source et cloud-native conçue pour stocker, indexer et rechercher de vastes collections d'embeddings vectoriels de haute dimension. Sa propre description GitHub la qualifie de « base de données vectorielle cloud-native haute performance, conçue pour la recherche ANN [plus proche voisin approximatif] vectorielle à grande échelle ». Dans un contexte LLM local ou RAG, Milvus n'est pas lui-même un moteur d'inférence LLM — c'est l'infrastructure de récupération qui se trouve derrière : un modèle d'embedding transforme votre texte (ou images, audio, etc.) en vecteurs, Milvus les stocke et les indexe, et au moment de la requête, Milvus trouve les vecteurs les plus similaires à une nouvelle requête pour qu'un LLM puisse générer une réponse ancrée dans le contenu récupéré.
- Fonction principale : stocker, indexer et rechercher de grandes collections d'embeddings vectoriels avec des algorithmes de plus proche voisin approximatif (ANN), à des échelles allant de milliers à des dizaines de milliards de vecteurs
- Écrit en Go et C++, selon le dépôt GitHub, et conçu comme un système distribué et cloud-native dès l'origine
- Modèles de déploiement : une bibliothèque embarquée (Milvus Lite), un serveur monomachine (Standalone), et un cluster distribué (Kubernetes/Helm)
- Types d'index : HNSW, IVF, FLAT, DiskANN, et index accélérés par GPU (comme CAGRA), sélectionnables par collection selon vos compromis vitesse/précision/mémoire
- Gouvernance : fait partie de la LF AI & Data Foundation, la même ombrelle Linux Foundation qui héberge d'autres projets d'infrastructure IA/données open source
- Principal contributeur corporatif : Zilliz, fondé en 2017, qui propose aussi le service séparé Zilliz Cloud géré
- Dépôt de référence : github.com/milvus-io/milvus
Historique du projet Milvus et jalons de versions
Milvus a été créé et rendu open source par Zilliz en 2019. Il a rejoint la LF AI & Data Foundation comme projet en incubation en janvier 2020, puis a formellement diplômé de l'incubation en juin 2021 — un jalon que la fondation réserve aux projets qui répondent à des critères définis de maturité, d'adoption et de gouvernance. Le projet a subi une refonte architecturale complète entre sa ligne originale 1.x et Milvus 2.0, publié en janvier 2022, passant à l'architecture distribuée, cloud-native, avec séparation du stockage et du calcul que le projet utilise encore aujourd'hui.
- 12019 : première publication open source
Why it matters: Zilliz a publié Milvus en open source, établissant la première architecture du projet. - 2Janvier 2020 : rejoint la LF AI & Data Foundation comme projet en incubation
Why it matters: A placé Milvus sous une gouvernance open source neutre et indépendante des fournisseurs, plutôt que de rester un projet d'une seule entreprise. - 3Juin 2021 : diplômé de l'incubation de la LF AI & Data Foundation
Why it matters: A signalé que le projet atteignait la barre de la fondation en matière de maturité, de taille de communauté et de gouvernance — le niveau le plus élevé du statut de projet LF AI & Data. - 4Janvier 2022 : publication de Milvus 2.0
Why it matters: Une refonte architecturale complète introduisant une conception distribuée et cloud-native avec stockage et calcul séparés — la base de l'architecture encore utilisée dans la ligne 2.x aujourd'hui. - 52.4.x : ajout de l'indexation accélérée par GPU
Why it matters: A ajouté des types d'index GPU (comme CAGRA) pour une construction d'index et une recherche nettement plus rapides sur le matériel pris en charge. - 62.5.x : recherche plein texte (BM25) et recherche hybride étendue
Why it matters: A ajouté une recherche éparse/plein texte native aux côtés de la recherche vectorielle dense, permettant à une seule requête de combiner correspondance par mots-clés et correspondance sémantique. - 72.6.x — en continu jusqu'en 2026 : versions continues de performance et de fiabilité
Why it matters: Les récentes versions ponctuelles 2.6.x (selon la [page GitHub Releases](https://github.com/milvus-io/milvus/releases)) se concentrent sur l'efficacité de la planification des requêtes, des corrections de justesse de la recherche GPU, et un durcissement de la sécurité — la 2.6.26 est sortie le 26 octobre 2026 comme la plus récente version ponctuelle que cet avis a pu vérifier. - 83.0 — 29 juillet 2026 : version lake-native
Why it matters: Selon la [page des releases GitHub](https://github.com/milvus-io/milvus/releases), la 3.0 a ajouté les External Collections pour chercher directement dans des fichiers Parquet, Iceberg, Lance et Vortex, des champs multi-vecteurs StructList et des changements de schéma en ligne, ainsi qu'un format Storage V3 optionnel qui peut empêcher le retour à la 2.6 — lisez les notes de version avant de mettre à jour. La 3.0.5 est sortie le 30 octobre 2026.
Que pouvez-vous faire avec Milvus ?
L'ensemble de fonctionnalités de Milvus se concentre sur le stockage et la recherche d'embeddings vectoriels à grande échelle, avec la recherche hybride et le multi-tenant superposés pour un usage RAG en production. Voici ce que fait réellement chaque partie, selon la documentation et le README GitHub de Milvus.
- Recherche par similarité vectorielle — stockez des embeddings et exécutez des requêtes de plus proche voisin approximatif pour trouver les vecteurs les plus similaires à un vecteur de requête donné, l'opération centrale derrière la récupération RAG et la recherche sémantique
- Recherche hybride — combinez similarité vectorielle dense, recherche éparse/plein texte (BM25), et filtrage de métadonnées structurées en une seule requête, plutôt que d'exécuter des recherches par mots-clés et sémantiques séparées
- Indexation accélérée par GPU — construisez et recherchez des index adossés au GPU (comme CAGRA) sur le matériel pris en charge pour des performances nettement plus rapides à grande échelle
- Plusieurs types d'index — HNSW, IVF, FLAT, DiskANN, et autres, sélectionnables par collection pour arbitrer entre vitesse de recherche, précision de rappel et empreinte mémoire/disque
- Multi-tenant — bases de données, collections et partitions, plus contrôle d'accès basé sur les rôles (RBAC), pour isoler différentes applications ou équipes sur une infrastructure Milvus partagée
- Échelle de déploiement flexible — le même modèle de données et la même API fonctionnent d'une instance Milvus Lite embarquée sur un ordinateur portable jusqu'à un cluster Kubernetes distribué gérant des dizaines de milliards de vecteurs
- Intégrations frameworks et modèles d'embedding — intégrations officielles avec LangChain, LlamaIndex, et des modèles d'embedding d'OpenAI, Hugging Face/Sentence Transformers, BGE-M3, et d'autres fournisseurs, y compris des modèles d'embedding locaux/auto-hébergés
- SDK Python (PyMilvus) — la bibliothèque cliente principale,
pip install pymilvus, utilisée à la fois pour le mode embarqué Milvus Lite et pour se connecter à un serveur distant Standalone ou Distributed
Exemples d'utilisation : trois façons d'utiliser Milvus
Voici des workflows concrets construits à partir des fonctionnalités documentées de Milvus ci-dessus, pas des cas d'usage hypothétiques.
Prototyper un pipeline RAG local avec Milvus Lite
Exécutez pip install -U pymilvus (Milvus Lite est intégré au SDK PyMilvus) et définissez votre URI de connexion vers un chemin de fichier local, tel que ./milvus.db. Milvus Lite stocke tout dans ce fichier unique — aucun serveur ni Docker requis — ce qui en fait un moyen rapide de tester un pipeline de génération augmentée par récupération de bout en bout avec un modèle d'embedding local avant de déployer quoi que ce soit.
Exécuter une base de données vectorielle auto-hébergée sur une seule machine pour une petite application RAG
Déployez Milvus Standalone via Docker Compose sur votre propre serveur. Pointez le client PyMilvus de votre application vers ce serveur plutôt que vers un fichier local, et vous obtenez une base de données vectorielle persistante et auto-hébergée capable de servir une petite application RAG en production ou un outil de recherche interne sans dépendre d'un service géré externe.
Combiner recherche par mots-clés et recherche sémantique en une seule requête
Indexez vos documents avec à la fois un modèle d'embedding dense et le support plein texte BM25 intégré de Milvus, puis exécutez une requête de recherche hybride qui note les résultats en utilisant les deux signaux. Cela capture des cas qu'une recherche purement sémantique peut manquer — comme un code produit exact ou un acronyme qu'un modèle d'embedding dense pourrait ne pas pondérer suffisamment à lui seul.
Installer Milvus
Milvus s'installe gratuitement via pip pour un usage local/embarqué, via Docker pour un serveur unique auto-hébergé, ou via Helm pour un cluster Kubernetes. Il n'y a pas d'installateur graphique — Milvus est une infrastructure que vous exécutez et à laquelle vous vous connectez depuis du code.
Source | Link |
|---|---|
| Site officiel (docs, démarrage rapide) | milvus.io |
| Dépôt GitHub (code source, Apache-2.0) | github.com/milvus-io/milvus |
| PyMilvus (SDK Python + Milvus Lite) | pip install -U pymilvus — pypi.org/project/pymilvus |
| Docker Compose (Standalone) | milvus.io/docs/install_standalone-docker.md |
| Chart Helm (Distributed/Kubernetes) | milvus.io/docs/install_cluster-milvusoperator.md |
Vérifiez les commandes d'installation actuellement recommandées sur milvus.io avant de les exécuter, car les instructions d'installation et les versions du chart Helm peuvent changer entre les versions. Milvus Lite est le moyen le plus rapide d'essayer Milvus sans processus serveur séparé ; Standalone et Distributed sont les voies auto-hébergées pour tout ce qui dépasse le prototypage local.
Tarifs Milvus : Milvus est-il vraiment gratuit ?
Oui — Milvus lui-même n'a aucun palier payant. La base de données, dans ses trois modes de déploiement (Lite, Standalone, Distributed), est gratuite et open source sous la licence Apache 2.0, confirmée via le fichier LICENSE du dépôt GitHub.
- Aucun abonnement, aucun palier payant, aucune limite d'usage imposée par Milvus auto-hébergé lui-même
- Aucun compte ni inscription requis pour télécharger, installer ou exécuter Milvus
- Le calcul, le stockage et tout hébergement cloud que vous utilisez pour exécuter Milvus auto-hébergé est un coût que vous contrôlez et payez séparément (votre propre serveur ou VM cloud), pas des frais versés à Milvus ou Zilliz
- Zilliz Cloud — un service d'hébergement entièrement géré et payant pour Milvus — est entièrement optionnel et proposé par Zilliz, le principal contributeur corporatif de Milvus, séparément du projet open source lui-même
Milvus vs. Qdrant
Milvus et Qdrant sont deux des bases de données vectorielles open source les plus largement utilisées, et elles sont souvent comparées car toutes deux sont gratuites, auto-hébergeables, et prennent en charge la recherche hybride pour les pipelines RAG. Les différences les plus nettes se situent dans la complexité architecturale et l'échelle de déploiement typique.
Langage
- Milvus:
- Go / C++
- Qdrant:
- Rust
Licence
- Milvus:
- Apache-2.0
- Qdrant:
- Apache-2.0
Modes de déploiement
- Milvus:
- Embarqué (Lite), Standalone (Docker), Distributed (Kubernetes/Helm)
- Qdrant:
- Embarqué, Docker monomachine, mode cluster distribué
Indexation accélérée par GPU
- Milvus:
- Oui, sur les types d'index pris en charge
- Qdrant:
- Pas un axe principal
Gouvernance
- Milvus:
- LF AI & Data Foundation (projet diplômé) ; contributeur principal Zilliz
- Qdrant:
- Projet open source piloté par une entreprise (Qdrant Solutions GmbH)
Adéquation typique
- Milvus:
- Charges de travail distribuées, à plus grande échelle, en production ; plus de complexité architecturale à exploiter
- Qdrant:
- Plus simple à auto-héberger pour des applications RAG de petite à moyenne échelle ; empreinte opérationnelle plus légère
Si votre priorité est une échelle éprouvée jusqu'à des dizaines de milliards de vecteurs et une indexation accélérée par GPU sous une gouvernance de fondation neutre, l'architecture de Milvus est la plus lourde et la plus orientée production des deux. Si votre priorité est la base de données vectorielle auto-hébergée la plus simple possible à mettre en place pour un projet RAG de petite à moyenne échelle, Qdrant mérite d'être évalué directement — voir l'avis Qdrant pour une analyse complète. Les deux sont gratuits et open source ; vérifiez les détails de fonctionnalités actuels sur le site propre de chaque projet avant de décider, car les deux publient des mises à jour fréquentes.
Qui devrait utiliser Milvus ?
La pertinence de Milvus dépend de l'échelle de votre charge de travail de récupération et du fait de vouloir ou non un chemin allant du prototypage local à la production distribuée sans changer de base de données.
Utilisez Milvus si
- Vous construisez un pipeline RAG ou une fonctionnalité de recherche sémantique et voulez une seule base de données vectorielle qui passe à l'échelle d'un prototype sur ordinateur portable (Milvus Lite) à un cluster de production distribué (Kubernetes/Helm) sans réécriture
- Vous avez besoin de recherche hybride — combinant similarité vectorielle dense, recherche plein texte/BM25, et filtrage de métadonnées — en une seule requête
- Vous avez besoin d'une indexation accélérée par GPU pour de très grandes collections de vecteurs
- Vous voulez que la couche de récupération soit gouvernée par une fondation neutre et indépendante des fournisseurs (LF AI & Data) plutôt que de rester le produit fermé d'une seule entreprise
- Vous voulez la possibilité d'une voie d'hébergement géré optionnelle (Zilliz Cloud) plus tard, sans y être enfermé dès le premier jour
Attendez, ou cherchez ailleurs, si
- Vous voulez la configuration auto-hébergée la plus simple possible pour un petit projet — une base de données plus légère comme Qdrant ou Chroma peut impliquer moins de charge opérationnelle pour un usage de petite à moyenne échelle
- Vous avez besoin d'une interface de chat graphique intégrée ou d'une application destinée à l'utilisateur final — Milvus est une infrastructure avec des interfaces
cli/library, pas une application autonome que vous ouvrez et manipulez directement ; associez-le à un framework RAG ou une application de chat pour une expérience destinée à l'utilisateur final - Vous ne prévoyez pas de passer à l'échelle au-delà d'un petit jeu de données et n'avez pas besoin d'indexation GPU ou de multi-tenant — la surface opérationnelle offerte par Milvus à l'échelle peut être plus que ce dont vous avez besoin
- Vous avez besoin d'un support entreprise officiel avec SLA sur le projet open source lui-même — ce niveau de support est proposé via le service séparé et payant Zilliz Cloud, pas directement via le projet open source Milvus
Milvus vs. autres bases de données vectorielles
Milvus est l'une des nombreuses bases de données vectorielles open source couramment utilisées dans les piles RAG locales et auto-hébergées. Voir l'annuaire des logiciels LLM locaux pour le catalogue complet, et la comparaison dédiée Milvus vs. Qdrant ci-dessus pour le face-à-face le plus proche.
- Qdrant — une base de données vectorielle open source basée sur Rust avec une empreinte opérationnelle plus simple, populaire pour le RAG auto-hébergé de petite à moyenne échelle ; voir la section de comparaison dédiée ci-dessus et l'avis Qdrant.
- Chroma — une base de données d'embeddings open source légère et conviviale pour les développeurs, souvent utilisée pour le prototypage RAG local rapide ; voir l'avis Chroma.
- txtai — une bibliothèque de recherche vectorielle/sémantique embarquée et native Python qui s'exécute en processus plutôt que comme un serveur séparé, une alternative plus légère pour les plus petits projets locaux ; voir l'avis txtai.
Erreurs courantes lors de l'évaluation de Milvus
La plupart des confusions autour de Milvus viennent du fait de le confondre avec Zilliz Cloud, de sous-estimer sa complexité opérationnelle à l'échelle, ou de s'attendre à ce qu'il fasse plus que de la récupération.
Erreur 1 : supposer que Milvus nécessite Zilliz Cloud ou un compte payant
Milvus est entièrement auto-hébergeable et gratuit sous Apache-2.0. Zilliz Cloud est un produit d'hébergement géré séparé et optionnel de Zilliz — exécuter Milvus auto-hébergé (Lite, Standalone ou Distributed) ne nécessite aucun compte chez Zilliz.
Erreur 2 : s'attendre à ce que Milvus génère lui-même des embeddings ou exécute l'inférence LLM
Milvus stocke et recherche des vecteurs — il ne transforme pas lui-même du texte en embeddings et ne génère pas de réponses. Vous l'associez à un modèle d'embedding séparé (local ou cloud) et, généralement, à un LLM pour construire un pipeline RAG complet.
Erreur 3 : déployer le mode Distributed/Kubernetes pour un petit projet
Milvus Lite ou Standalone couvrent la grande majorité des cas d'usage de développement local et de production de petite à moyenne échelle avec beaucoup moins de charge opérationnelle. Le déploiement Distributed/Kubernetes est conçu pour la production à grande échelle et ajoute une réelle complexité opérationnelle dont la plupart des petits projets RAG n'ont pas besoin.
Erreur 4 : supposer que Milvus est le produit fermé d'une seule entreprise
Milvus est gouverné par la LF AI & Data Foundation et a diplômé de son programme d'incubation en juin 2021 — un statut de gouvernance neutre vis-à-vis des fournisseurs, même si Zilliz reste son principal contributeur corporatif et vend séparément une offre cloud gérée construite dessus.
Questions fréquemment posées
Qu'est-ce que Milvus ?
Milvus (milvus.io, code source sur github.com/milvus-io/milvus) est une base de données vectorielle gratuite, open source et cloud-native pour stocker et rechercher des embeddings vectoriels à grande échelle, couramment utilisée comme couche de récupération dans les pipelines RAG.
Milvus est-il gratuit ?
Oui. Milvus est gratuit et open source sous la licence Apache 2.0 dans ses trois modes de déploiement (Lite, Standalone, Distributed). Zilliz Cloud, un service d'hébergement géré séparé, est optionnel et non requis pour utiliser Milvus.
Milvus est-il open source ? Quelle licence utilise-t-il ?
Oui. Milvus est sous licence Apache-2.0, selon le fichier LICENSE de son dépôt GitHub, et est gouverné par la LF AI & Data Foundation.
Comment installer Milvus ?
Exécutez pip install -U pymilvus pour Milvus Lite (embarqué, usage local basé sur fichier), déployez Milvus Standalone via Docker Compose pour un serveur unique auto-hébergé, ou utilisez le chart Helm / Milvus Operator pour un déploiement Kubernetes distribué. Voir la section Installer Milvus ci-dessus.
Qu'est-ce que Milvus Lite ?
Milvus Lite est une version embarquée de Milvus intégrée au SDK Python PyMilvus — installez-la avec pip install -U pymilvus, dirigez l'URI de connexion vers un fichier local (tel que ./milvus.db), et elle s'exécute entièrement en processus sans serveur séparé, idéale pour le prototypage local.
Milvus prend-il en charge le RAG avec des modèles d'embedding locaux ?
Oui. Milvus s'intègre avec LangChain et LlamaIndex, et son SDK Python prend en charge des modèles d'embedding de Sentence Transformers, BGE-M3, et d'autres sources, y compris des modèles exécutés localement — pas seulement des fournisseurs cloud comme OpenAI.
Milvus est-il la même chose que Zilliz Cloud ?
Non. Milvus est le projet de base de données open source lui-même, gouverné par la LF AI & Data Foundation. Zilliz Cloud est un service d'hébergement géré séparé, optionnel et payant proposé par Zilliz, le principal contributeur corporatif de Milvus.
Milvus prend-il en charge l'accélération GPU ?
Oui. Milvus prend en charge des types d'index accélérés par GPU (comme CAGRA) sur le matériel pris en charge pour une construction d'index et une recherche plus rapides à grande échelle, introduits dans la ligne de versions 2.4.x.
Milvus prend-il en charge la recherche hybride ?
Oui. Milvus prend en charge la combinaison de similarité vectorielle dense, de recherche éparse/plein texte (BM25), et de filtrage de métadonnées en une seule requête — la recherche plein texte a été ajoutée dans la ligne de versions 2.5.x.
Comment Milvus se compare-t-il à Qdrant ?
Les deux sont des bases de données vectorielles gratuites, open source et auto-hébergeables prenant en charge la recherche hybride. Milvus offre une indexation accélérée par GPU et une architecture plus distribuée, à l'échelle production, sous la gouvernance de la LF AI & Data Foundation ; Qdrant, écrit en Rust, est généralement plus simple à auto-héberger pour des projets de petite à moyenne échelle. Voir la section dédiée Milvus vs. Qdrant ci-dessus.
Qui gouverne le projet Milvus ?
Milvus fait partie de la LF AI & Data Foundation (un projet ombrelle de la Linux Foundation), dont il a diplômé de l'incubation en juin 2021. Zilliz, l'entreprise qui a initialement rendu Milvus open source en 2019, reste son principal contributeur corporatif.