Principais conclusões
- O Milvus é gratuito e de código aberto sob a Apache-2.0, governado pela LF AI & Data Foundation, com a Zilliz como principal contribuidora corporativa
- Três modos de implantação self-hosted: Milvus Lite (embarcado,
pip install pymilvus, para prototipagem), Standalone (Docker, máquina única) e Distributed (Kubernetes/Helm, para produção em escala de cluster) - Suporta busca híbrida — combinando similaridade vetorial densa, busca esparsa/de texto completo (BM25) e filtragem por metadados em uma única consulta
- Suporta indexação acelerada por GPU e múltiplos tipos de índice (HNSW, IVF, FLAT, DiskANN, entre outros)
- Suporte a multi-tenancy (bancos de dados, coleções, partições e controle de acesso baseado em papéis) para isolar cargas de trabalho em infraestrutura compartilhada
- Integra-se diretamente com frameworks de RAG/orquestração — LangChain, LlamaIndex — e com modelos de embedding da OpenAI, Hugging Face e fontes locais/self-hosted
- O repositório no GitHub mostra cerca de 46.150 estrelas em setembro de 2026
- O Zilliz Cloud é um serviço de hospedagem gerenciada separado e opcional da Zilliz — não é necessário para rodar o Milvus por conta própria
📍 Em uma frase
O Milvus é um banco de dados vetorial gratuito, de código aberto e self-hostable — de um simples pip install até um cluster Kubernetes — criado para a busca por similaridade em larga escala que alimenta pipelines de RAG e busca semântica.
💬 Em termos simples
Ao construir um sistema de RAG local, primeiro você transforma seus documentos em embeddings (listas de números) com um modelo de embedding e depois precisa de um lugar para armazenar esses embeddings e encontrar rapidamente as correspondências mais próximas a uma nova pergunta. O Milvus é essa camada de armazenamento e busca. Você pode rodá-lo como um único arquivo no seu notebook para testes, como um contêiner Docker para uma pequena aplicação em produção, ou como um cluster completo para bilhões de vetores — tudo gratuito e self-hosted, sem necessidade de conta.
📌Nota: Esta análise é o aprofundamento complementar à entrada do Milvus no Diretório de Softwares de LLM Local — veja essa página para comparar o Milvus rapidamente com dezenas de outras ferramentas locais de IA, incluindo outros bancos de dados vetoriais.
O Que É o Milvus?
O Milvus é um banco de dados vetorial de código aberto e cloud-native, projetado para armazenar, indexar e buscar coleções massivas de embeddings vetoriais de alta dimensão. A própria descrição no GitHub do projeto o chama de "um banco de dados vetorial de alto desempenho e cloud-native, criado para busca ANN [aproximada do vizinho mais próximo] vetorial escalável". Em um contexto de LLM local ou RAG, o Milvus não é, ele mesmo, um mecanismo de inferência de LLM — é a infraestrutura de recuperação que fica por trás de um: um modelo de embedding transforma seu texto (ou imagens, áudio etc.) em vetores, o Milvus os armazena e indexa, e, no momento da consulta, o Milvus encontra os vetores mais similares a uma nova pergunta para que um LLM possa gerar uma resposta baseada no conteúdo recuperado.
- Função principal: armazenar, indexar e buscar grandes coleções de embeddings vetoriais com algoritmos de vizinho mais próximo aproximado (ANN), em escalas de milhares a dezenas de bilhões de vetores
- Escrito em Go e C++, segundo o repositório no GitHub, e projetado desde o início como um sistema distribuído e cloud-native
- Modelos de implantação: uma biblioteca embarcada (Milvus Lite), um servidor de máquina única (Standalone) e um cluster distribuído (Kubernetes/Helm)
- Tipos de índice: HNSW, IVF, FLAT, DiskANN e índices acelerados por GPU (como o CAGRA), selecionáveis por coleção conforme seu equilíbrio entre velocidade, precisão e memória
- Governança: parte da LF AI & Data Foundation, o mesmo guarda-chuva da Linux Foundation que hospeda outros projetos de infraestrutura de IA/dados de código aberto
- Principal contribuidora corporativa: Zilliz, fundada em 2017, que também oferece o serviço gerenciado separado Zilliz Cloud
- Repositório canônico: github.com/milvus-io/milvus
Histórico do Projeto Milvus e Marcos de Versão
O Milvus foi criado e disponibilizado como código aberto pela Zilliz em 2019. Ele entrou na LF AI & Data Foundation como projeto em incubação em janeiro de 2020 e formalmente se graduou da incubação em junho de 2021 — um marco que a fundação reserva para projetos que atendem a critérios definidos de maturidade, adoção e governança. O projeto passou por uma reconstrução arquitetural completa entre sua linha original 1.x e o Milvus 2.0, lançado em janeiro de 2022, migrando para a arquitetura distribuída, cloud-native e com separação de armazenamento e computação que o projeto ainda usa hoje.
- 12019: Lançamento inicial de código aberto
Why it matters: A Zilliz lançou o Milvus original como código aberto, estabelecendo a primeira arquitetura do projeto. - 2Janeiro de 2020: Entra na LF AI & Data Foundation como projeto em incubação
Why it matters: Levou o Milvus para uma governança de código aberto neutra e independente de fornecedor, em vez de permanecer um projeto de uma única empresa. - 3Junho de 2021: Graduação da incubação da LF AI & Data Foundation
Why it matters: Sinalizou que o projeto atendeu ao patamar da fundação em maturidade, tamanho da comunidade e governança — o nível mais alto de status de projeto na LF AI & Data. - 4Janeiro de 2022: Lançamento do Milvus 2.0
Why it matters: Uma reconstrução arquitetural completa, introduzindo um design distribuído e cloud-native com armazenamento e computação separados — a base da arquitetura ainda usada na linha 2.x hoje. - 52.4.x: Adição de indexação acelerada por GPU
Why it matters: Adicionou tipos de índice em GPU (como o CAGRA) para construção de índice e busca substancialmente mais rápidas em hardware compatível. - 62.5.x: Busca por texto completo (BM25) e busca híbrida expandida
Why it matters: Adicionou busca nativa esparsa/de texto completo ao lado da busca vetorial densa, permitindo que uma única consulta combine correspondência por palavra-chave e semântica. - 72.6.x — em andamento até 2026: Lançamentos contínuos de desempenho e confiabilidade
Why it matters: Os lançamentos pontuais recentes da linha 2.6.x (segundo a [página de Releases do GitHub](https://github.com/milvus-io/milvus/releases)) focam em eficiência de agendamento de consultas, correções de precisão na busca em GPU e reforço de segurança — a versão 2.6.23 foi lançada em 28 de agosto de 2026 como o lançamento pontual mais recente que esta análise conseguiu verificar.
O Que Você Pode Fazer com o Milvus?
O conjunto de recursos do Milvus gira em torno do armazenamento e da busca de embeddings vetoriais em escala, com busca híbrida e multi-tenancy agregados por cima para uso de RAG em produção. Veja o que cada parte realmente faz, segundo a própria documentação e o README no GitHub do Milvus.
- Busca por similaridade vetorial — armazene embeddings e execute consultas de vizinho mais próximo aproximado para encontrar os vetores mais similares a um vetor de consulta, a operação central por trás da recuperação em RAG e da busca semântica
- Busca híbrida — combine similaridade vetorial densa, busca esparsa/de texto completo (BM25) e filtragem por metadados estruturados em uma única consulta, em vez de executar buscas separadas por palavra-chave e semânticas
- Indexação acelerada por GPU — construa e busque índices baseados em GPU (como o CAGRA) em hardware compatível para desempenho substancialmente mais rápido em grande escala
- Múltiplos tipos de índice — HNSW, IVF, FLAT, DiskANN, entre outros, selecionáveis por coleção para equilibrar velocidade de busca, precisão de recall e uso de memória/disco
- Multi-tenancy — bancos de dados, coleções e partições, além de controle de acesso baseado em papéis (RBAC), para isolar diferentes aplicações ou equipes em infraestrutura Milvus compartilhada
- Escala de implantação flexível — o mesmo modelo de dados e a mesma API funcionam desde uma instância embarcada Milvus Lite em um notebook até um cluster Kubernetes distribuído lidando com dezenas de bilhões de vetores
- Integrações com frameworks e modelos de embedding — integrações oficiais com LangChain, LlamaIndex e modelos de embedding da OpenAI, Hugging Face/Sentence Transformers, BGE-M3 e outros provedores, incluindo modelos de embedding locais/self-hosted
- SDK Python (PyMilvus) — a biblioteca cliente principal,
pip install pymilvus, usada tanto para o modo embarcado Milvus Lite quanto para conectar a um servidor Standalone ou Distributed remoto
Exemplos de Uso: Três Formas de Usar o Milvus
Estes são fluxos de trabalho concretos, construídos a partir dos recursos documentados do Milvus acima, não casos de uso hipotéticos.
Instalar o Milvus
O Milvus se instala gratuitamente via pip para uso local/embarcado, via Docker para um servidor self-hosted único, ou via Helm para um cluster Kubernetes. Não existe instalador com interface gráfica — o Milvus é infraestrutura que você executa e à qual se conecta via código.
Source | Link |
|---|---|
| Site oficial (documentação, guia rápido) | milvus.io |
| Repositório no GitHub (código-fonte, 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 |
Confira os comandos de instalação recomendados atuais em milvus.io antes de executá-los, já que as instruções de instalação e as versões do chart Helm podem mudar entre lançamentos. O Milvus Lite é o caminho mais rápido para experimentar o Milvus sem um processo de servidor separado; Standalone e Distributed são os caminhos self-hosted para qualquer coisa além da prototipagem local.
Preços do Milvus: Ele É Realmente Gratuito?
Sim — o próprio Milvus não tem plano pago. O banco de dados, em seus três modos de implantação (Lite, Standalone, Distributed), é gratuito e de código aberto sob a Apache License 2.0, confirmada pelo arquivo LICENSE do repositório no GitHub.
- Nenhuma assinatura, nenhum plano pago, nenhum limite de uso imposto pelo próprio Milvus self-hosted
- Nenhuma conta ou cadastro necessário para baixar, instalar ou rodar o Milvus
- A computação, o armazenamento e qualquer hospedagem em nuvem usada para rodar o Milvus self-hosted são um custo que você controla e paga separadamente (seu próprio servidor ou VM na nuvem), não uma taxa paga ao Milvus ou à Zilliz
- O Zilliz Cloud — um serviço de hospedagem totalmente gerenciada e paga para o Milvus — é inteiramente opcional e oferecido pela Zilliz, principal contribuidora corporativa do Milvus, separado do próprio projeto de código aberto
Milvus vs. Qdrant
O Milvus e o Qdrant são dois dos bancos de dados vetoriais de código aberto mais usados, e costumam ser comparados, já que ambos são gratuitos, self-hostable e suportam busca híbrida para pipelines de RAG. As diferenças mais claras estão na complexidade da arquitetura e na escala típica de implantação.
Linguagem
- Milvus:
- Go / C++
- Qdrant:
- Rust
Licença
- Milvus:
- Apache-2.0
- Qdrant:
- Apache-2.0
Modos de implantação
- Milvus:
- Embarcado (Lite), Standalone (Docker), Distributed (Kubernetes/Helm)
- Qdrant:
- Embarcado, Docker de nó único, modo de cluster distribuído
Indexação acelerada por GPU
- Milvus:
- Sim, em tipos de índice compatíveis
- Qdrant:
- Não é um foco central
Governança
- Milvus:
- LF AI & Data Foundation (projeto graduado); principal contribuidora Zilliz
- Qdrant:
- Projeto de código aberto liderado por empresa (Qdrant Solutions GmbH)
Uso típico
- Milvus:
- Cargas de trabalho em produção de maior escala e distribuídas; mais complexidade arquitetural para operar
- Qdrant:
- Mais simples de self-hostar para aplicações de RAG de pequena e média escala; menor pegada operacional
Se sua prioridade é escala comprovada para dezenas de bilhões de vetores e indexação acelerada por GPU sob governança de fundação neutra, a arquitetura do Milvus é a mais robusta e orientada à produção entre os dois. Se sua prioridade é o banco de dados vetorial self-hosted mais simples possível para colocar de pé em um projeto de RAG de pequena ou média escala, vale avaliar o Qdrant diretamente — veja a análise do Qdrant para uma análise completa. Ambos são gratuitos e de código aberto; confira os detalhes de recursos atuais no site de cada projeto antes de decidir, já que ambos lançam atualizações com frequência.
Quem Deveria Usar o Milvus?
O Milvus ser ou não a escolha certa depende da escala da sua carga de trabalho de recuperação e de você querer um caminho da prototipagem local até a produção distribuída sem trocar de banco de dados.
Milvus vs. Outros Bancos de Dados Vetoriais
O Milvus é um dos vários bancos de dados vetoriais de código aberto comumente usados em stacks de RAG locais e self-hosted. Veja o Diretório de Softwares de LLM Local para o catálogo completo, e a comparação dedicada Milvus vs. Qdrant acima para o confronto direto mais próximo.
- Qdrant — um banco de dados vetorial de código aberto baseado em Rust, com uma pegada operacional mais simples, popular para RAG self-hosted de pequena e média escala; veja a seção de comparação dedicada acima e a análise do Qdrant.
- Chroma — um banco de dados de embeddings leve e amigável para desenvolvedores, de código aberto, frequentemente usado para prototipagem rápida de RAG local; veja a análise do Chroma.
- txtai — uma biblioteca embarcada de busca vetorial/semântica nativa em Python que roda no mesmo processo em vez de como um servidor separado, uma alternativa mais leve para projetos locais menores; veja a análise do txtai.
Erros Comuns ao Avaliar o Milvus
A maior parte da confusão sobre o Milvus vem de confundi-lo com o Zilliz Cloud, subestimar sua complexidade operacional em escala, ou esperar que ele faça mais do que recuperação.
Perguntas frequentes
O que é o Milvus?
O Milvus (milvus.io, código-fonte em github.com/milvus-io/milvus) é um banco de dados vetorial gratuito, de código aberto e cloud-native para armazenar e buscar embeddings vetoriais em grande escala, comumente usado como camada de recuperação em pipelines de RAG.
O Milvus é gratuito?
Sim. O Milvus é gratuito e de código aberto sob a Apache License 2.0 em seus três modos de implantação (Lite, Standalone, Distributed). O Zilliz Cloud, um serviço separado de hospedagem gerenciada, é opcional e não é necessário para usar o Milvus.
O Milvus é de código aberto? Qual licença ele usa?
Sim. O Milvus é licenciado sob a Apache-2.0, segundo o arquivo LICENSE no repositório do GitHub, e é governado pela LF AI & Data Foundation.
Como eu instalo o Milvus?
Execute pip install -U pymilvus para o Milvus Lite (embarcado, uso local baseado em arquivo), implante o Milvus Standalone via Docker Compose para um servidor self-hosted único, ou use o chart Helm / Milvus Operator para uma implantação distribuída em Kubernetes. Veja a seção Instalar o Milvus acima.
O que é o Milvus Lite?
O Milvus Lite é uma versão embarcada do Milvus incluída no SDK Python PyMilvus — instale-o com pip install -U pymilvus, aponte a URI de conexão para um arquivo local (como ./milvus.db), e ele roda inteiramente no mesmo processo, sem servidor separado, ideal para prototipagem local.
O Milvus suporta RAG com modelos de embedding locais?
Sim. O Milvus se integra com LangChain e LlamaIndex, e seu SDK Python suporta modelos de embedding do Sentence Transformers, BGE-M3 e outras fontes, incluindo modelos rodados localmente — não apenas provedores na nuvem como a OpenAI.
O Milvus é a mesma coisa que o Zilliz Cloud?
Não. O Milvus é o próprio projeto de banco de dados de código aberto, governado pela LF AI & Data Foundation. O Zilliz Cloud é um serviço de hospedagem gerenciada separado, opcional e pago, oferecido pela Zilliz, principal contribuidora corporativa do Milvus.
O Milvus suporta aceleração por GPU?
Sim. O Milvus suporta tipos de índice acelerados por GPU (como o CAGRA) em hardware compatível, para construção de índice e busca mais rápidas em grande escala, introduzidos na linha de lançamentos 2.4.x.
O Milvus suporta busca híbrida?
Sim. O Milvus suporta combinar similaridade vetorial densa, busca esparsa/de texto completo (BM25) e filtragem por metadados em uma única consulta — a busca por texto completo foi adicionada na linha de lançamentos 2.5.x.
Como o Milvus se compara ao Qdrant?
Ambos são bancos de dados vetoriais gratuitos, de código aberto e self-hostable que suportam busca híbrida. O Milvus oferece indexação acelerada por GPU e uma arquitetura mais distribuída e voltada à produção em escala sob a governança da LF AI & Data Foundation; o Qdrant, escrito em Rust, é geralmente mais simples de self-hostar para projetos de pequena e média escala. Veja a seção dedicada Milvus vs. Qdrant acima.
Quem governa o projeto Milvus?
O Milvus faz parte da LF AI & Data Foundation (um projeto guarda-chuva da Linux Foundation), da qual se graduou da incubação em junho de 2021. A Zilliz, empresa que originalmente disponibilizou o Milvus como código aberto em 2019, continua sendo sua principal contribuidora corporativa.