Milvus 是什么？
Milvus 是一款开源、云原生的向量数据库，专为存储、索引和检索海量高维向量嵌入集合而设计。 其 GitHub 简介将其描述为"一款为可扩展向量近似最近邻（ANN）检索而构建的高性能云原生向量数据库"。在本地 LLM 或 RAG 场景中，Milvus 本身并不是 LLM 推理引擎——它是位于推理引擎背后的检索基础设施：嵌入模型将你的文本（或图像、音频等）转换为向量，Milvus 负责存储和索引这些向量，在查询时 Milvus 找出与新查询最相似的向量，从而让 LLM 能够基于检索到的内容生成有依据的回答。
- 核心功能：使用近似最近邻（ANN）算法存储、索引和检索大规模向量嵌入集合，规模可从数千到数百亿个向量
- 根据 GitHub 仓库信息，使用 Go 和 C++ 编写，从一开始就被设计为分布式、云原生系统
- 部署模式：嵌入式库（Milvus Lite）、单机服务器（Standalone）以及分布式集群（Kubernetes/Helm）
- 索引类型：HNSW、IVF、FLAT、DiskANN，以及 GPU 加速索引（如 CAGRA），可按集合选择，以权衡速度、精度与内存占用
- 治理架构：属于 LF AI & Data 基金会，与其他开源 AI/数据基础设施项目同属 Linux Foundation 旗下
- 主要企业贡献者：Zilliz，成立于 2017 年，该公司还提供独立的托管服务 Zilliz Cloud
- 官方源代码仓库：github.com/milvus-io/milvus
Milvus 的项目历史与版本里程碑
Milvus 由 Zilliz 于 2019 年创建并开源。它于 2020 年 1 月作为孵化项目加入 LF AI & Data 基金会，并于 2021 年 6 月正式从孵化阶段毕业——这一里程碑仅授予符合该基金会所定义的成熟度、采用率和治理标准的项目。在从最初的 1.x 版本线到 2022 年 1 月发布的 Milvus 2.0 之间，该项目经历了一次完整的架构重构，转向了如今仍在使用的分布式、云原生、存储计算分离架构。
- 12019 年：首次开源发布
Why it matters: Zilliz 将最初的 Milvus 作为开源项目发布，确立了该项目最初的架构。 - 22020 年 1 月：以孵化项目身份加入 LF AI & Data 基金会
Why it matters: 使 Milvus 从单一公司项目转向中立、不依赖特定厂商的开源治理模式。 - 32021 年 6 月：从 LF AI & Data 基金会孵化阶段毕业
Why it matters: 标志着该项目达到了基金会在成熟度、社区规模和治理方面设定的标准——这是 LF AI & Data 项目地位的最高等级。 - 42022 年 1 月：Milvus 2.0 发布
Why it matters: 一次完整的架构重构，引入了存储与计算分离的分布式、云原生设计——这也是目前 2.x 版本线所使用架构的基础。 - 52.4.x：加入 GPU 加速索引构建
Why it matters: 新增 GPU 索引类型（如 CAGRA），在受支持的硬件上大幅提升索引构建与检索速度。 - 62.5.x：全文检索（BM25）与扩展的混合检索
Why it matters: 在稠密向量检索之外新增原生稀疏/全文检索，让单次查询能同时结合关键词式匹配与语义匹配。 - 72.6.x——持续到 2026 年：持续的性能与可靠性更新
Why it matters: 根据 [GitHub Releases 页面](https://github.com/milvus-io/milvus/releases)，近期的 2.6.x 小版本更新聚焦于查询调度效率、GPU 检索正确性修复以及安全加固——2.6.26 于 2026 年 10 月 26 日发布，是本评测能够核实到的最新小版本。 - 83.0 — 2026 年 7 月 29 日：湖原生版本
Why it matters: 根据 [GitHub Releases 页面](https://github.com/milvus-io/milvus/releases)，3.0 新增了可直接检索 Parquet、Iceberg、Lance 和 Vortex 文件的 External Collections、StructList 多向量字段和在线 Schema 变更，并引入可选启用的 Storage V3 格式，启用后可能无法回滚到 2.6——升级前请阅读发行说明。3.0.5 于 2026 年 10 月 30 日发布。
Milvus 能做什么？
Milvus 的功能集以大规模存储和检索向量嵌入为核心，并在此基础上叠加了混合检索与多租户能力，以支撑生产级 RAG 应用。以下是根据 Milvus 官方文档和 GitHub README 整理的各项功能说明。
- 向量相似度检索——存储嵌入向量并执行近似最近邻查询，找出与给定查询向量最相似的向量，这是 RAG 检索和语义搜索背后的核心操作
- 混合检索——在单次查询中结合稠密向量相似度、稀疏/全文（BM25）检索与结构化元数据过滤，而不必分别运行关键词检索和语义检索
- GPU 加速索引构建——在受支持的硬件上构建和检索 GPU 支持的索引（如 CAGRA），在大规模场景下大幅提升性能
- 多种索引类型——HNSW、IVF、FLAT、DiskANN 等，可按集合选择，以在检索速度、召回精度与内存/磁盘占用之间做权衡
- 多租户——数据库、集合和分区，加上基于角色的访问控制（RBAC），用于在共享的 Milvus 基础设施上隔离不同应用或团队
- 灵活的部署规模——相同的数据模型和 API 既能在笔记本电脑上的嵌入式 Milvus Lite 实例中运行，也能扩展到处理数百亿向量的分布式 Kubernetes 集群
- 框架与嵌入模型集成——官方支持与 LangChain、LlamaIndex 集成，并支持来自 OpenAI、Hugging Face/Sentence Transformers、BGE-M3 等服务商的嵌入模型，包括本地/自托管的嵌入模型
- Python SDK（PyMilvus）——主要的客户端库，通过
pip install pymilvus安装，既可用于嵌入式的 Milvus Lite 模式，也可用于连接远程的 Standalone 或 Distributed 服务器
使用示例：三种 Milvus 使用方式
以下是基于上文 Milvus 已有功能构建的具体工作流程，而非假设性的用例。
用 Milvus Lite 搭建本地 RAG 流程原型
运行 pip install -U pymilvus（Milvus Lite 已随 PyMilvus SDK 一同打包），并将连接 URI 设置为本地文件路径，例如 ./milvus.db。Milvus Lite 将所有内容存储在这一个文件中——无需服务器或 Docker——是在正式部署前，用本地嵌入模型端到端快速测试检索增强生成流程的高效方式。
为小型 RAG 应用运行自托管的单机向量数据库
在你自己的服务器上通过 Docker Compose 部署 Milvus Standalone。将应用中的 PyMilvus 客户端指向该服务器，而不是本地文件，这样你就拥有了一个持久化、自托管的向量数据库，可以为小型生产级 RAG 应用或内部搜索工具提供服务，而无需依赖任何外部托管服务。
在一次查询中结合关键词检索与语义检索
同时用稠密嵌入模型和 Milvus 内置的 BM25 全文检索功能为文档建立索引，然后运行一次混合检索查询，结合两种信号对结果打分。这能够捕捉到纯语义检索可能遗漏的情况——比如某个精确的产品代码或缩写词，稠密嵌入模型单独使用时可能不会给予足够高的权重。
安装 Milvus
Milvus 可通过 pip 免费安装用于本地/嵌入式场景，通过 Docker 部署单机自托管服务器，或通过 Helm 部署 Kubernetes 集群。 没有图形化安装程序——Milvus 是需要通过代码运行和连接的基础设施。
来源 | 链接 |
|---|---|
| 官网（文档、快速开始） | milvus.io |
| GitHub 仓库（源代码，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 |
由于安装命令和 Helm chart 版本可能随发布更新而变化，运行前请在 milvus.io 上核实当前推荐的安装命令。Milvus Lite 是尝试 Milvus 最快的方式，无需单独的服务器进程；Standalone 和 Distributed 则是超出本地原型开发范围后的自托管路径。
Milvus 定价：真的免费吗？
是的——Milvus 本身没有付费档位。 该数据库的全部三种部署模式（Lite、Standalone、Distributed），均基于 Apache License 2.0 免费开源，可通过 GitHub 仓库的 LICENSE 文件核实。
- 自托管的 Milvus 本身不设订阅、不设付费档位、不设使用限制
- 下载、安装或运行 Milvus 无需账号或注册
- 运行自托管 Milvus 所需的计算、存储和任何云托管资源，其成本由你自行控制并单独支付（自己的服务器或云虚拟机），而非向 Milvus 或 Zilliz 支付的费用
- Zilliz Cloud——一项面向 Milvus 的全托管付费服务——完全是可选的，由 Zilliz（Milvus 的主要企业贡献者）提供，独立于开源项目本身
Milvus 对比 Qdrant
Milvus 和 Qdrant 是目前使用最广泛的两款开源向量数据库，二者经常被拿来比较，因为它们都是免费、可自托管的，并都支持面向 RAG 流程的混合检索。二者最明显的差异体现在架构复杂度和典型部署规模上。
编程语言
- Milvus:
- Go / C++
- Qdrant:
- Rust
许可协议
- Milvus:
- Apache-2.0
- Qdrant:
- Apache-2.0
部署模式
- Milvus:
- 嵌入式（Lite）、Standalone（Docker）、Distributed（Kubernetes/Helm）
- Qdrant:
- 嵌入式、单节点 Docker、分布式集群模式
GPU 加速索引构建
- Milvus:
- 支持，适用于部分索引类型
- Qdrant:
- 并非核心重点
治理架构
- Milvus:
- LF AI & Data 基金会（已毕业项目）；主要贡献者为 Zilliz
- Qdrant:
- 公司主导的开源项目（Qdrant Solutions GmbH）
典型定位
- Milvus:
- 更大规模、分布式生产工作负载；运维架构更复杂
- Qdrant:
- 更适合中小规模 RAG 应用的简单自托管；运维负担更轻
如果你更看重在中立基金会治理下、经过验证的数百亿向量规模扩展能力和 GPU 加速索引，Milvus 的架构是二者中更重量级、更面向生产环境的一方。如果你更看重为中小规模 RAG 项目搭建尽可能简单的自托管向量数据库，值得直接评估 Qdrant——完整分析请参见 Qdrant 评测。两者均免费开源；由于双方都会频繁发布更新，决定前请在各自官网核实当前功能细节。
谁适合使用 Milvus？
Milvus 是否适合你，取决于你检索工作负载的规模，以及你是否希望在不更换数据库的前提下，从本地原型开发一路扩展到分布式生产环境。
适合使用 Milvus 的情况
- 你正在搭建 RAG 流程或语义搜索功能，希望用同一款向量数据库，从笔记本电脑上的原型（Milvus Lite）扩展到分布式生产集群（Kubernetes/Helm），无需重写代码
- 你需要在一次查询中结合混合检索——稠密向量相似度、全文/BM25 检索与元数据过滤
- 你的超大规模向量集合需要 GPU 加速索引
- 你希望检索层由中立、不依赖单一厂商的基金会（LF AI & Data）治理，而不是继续作为某家公司的闭源产品
- 你希望日后可以选择使用托管方案（Zilliz Cloud），但不想从一开始就被锁定在其中
不妨观望，或考虑其他方案的情况
- 你希望为小型项目搭建尽可能简单的自托管方案——像 Qdrant 或 Chroma 这样更轻量的数据库，在中小规模场景下可能带来更少的运维负担
- 你需要内置聊天图形界面或面向终端用户的应用——Milvus 是提供
cli/library接口的基础设施，而不是一款可以直接打开点击操作的独立应用；若需要面向终端用户的体验，请将它与 RAG 框架或聊天应用搭配使用 - 你没有计划扩展到超出小型数据集的规模，也不需要 GPU 索引或多租户——Milvus 在大规模场景下提供的运维能力可能超出你的实际需求
- 你需要针对开源项目本身、带 SLA 的官方企业级支持——这一级别的支持通过独立的付费 Zilliz Cloud 服务提供，而非直接来自开源 Milvus 项目
Milvus 对比其他向量数据库
Milvus 是本地及自托管 RAG 技术栈中常用的多款开源向量数据库之一。完整目录请参见本地 LLM 软件目录，最接近的正面对比请参见上方专门的 Milvus 对比 Qdrant 章节。
评估 Milvus 时的常见误区
关于 Milvus 的大多数误解，源于将其与 Zilliz Cloud 混淆、低估其在大规模场景下的运维复杂度，或期望它承担超出检索范畴的功能。
误区一：以为 Milvus 需要 Zilliz Cloud 或付费账号
Milvus 完全可自托管，基于 Apache-2.0 协议免费提供。Zilliz Cloud 是 Zilliz 提供的一项独立、可选的托管产品——运行自托管的 Milvus（Lite、Standalone 或 Distributed）完全不需要任何 Zilliz 账号。
误区二：期望 Milvus 自己生成嵌入向量或运行 LLM 推理
Milvus 负责存储和检索向量——它本身不会将文本转换为嵌入向量，也不会自行生成答案。你需要搭配一个独立的嵌入模型（本地或云端），通常还要搭配一个 LLM，才能构建完整的 RAG 流程。
误区三：为小型项目部署 Distributed/Kubernetes 模式
Milvus Lite 或 Standalone 已能以远低得多的运维负担，覆盖绝大多数本地开发和中小规模生产场景。Distributed/Kubernetes 部署是为大规模生产环境构建的，会带来大多数小型 RAG 项目并不需要的实际运维复杂度。
误区四：以为 Milvus 是某家公司的闭源产品
Milvus 由 LF AI & Data 基金会管理，并于 2021 年 6 月从孵化项目毕业——这是一种厂商中立的治理地位，尽管 Zilliz 仍是其主要企业贡献者，并另外基于 Milvus 销售独立的托管云服务。
常见问题
Milvus 是什么？
Milvus（milvus.io，源代码见 github.com/milvus-io/milvus）是一款免费、开源、云原生的向量数据库，用于存储和检索大规模向量嵌入，常被用作 RAG 流程中的检索层。
Milvus 免费吗？
是的。Milvus 在其三种部署模式（Lite、Standalone、Distributed）下均基于 Apache License 2.0 免费开源。Zilliz Cloud 是一项独立的托管服务，为可选项，并非使用 Milvus 的必要条件。
Milvus 是开源的吗？采用什么许可协议？
是的。根据其 GitHub 仓库中的 LICENSE 文件，Milvus 采用 Apache-2.0 协议授权，并由 LF AI & Data 基金会管理。
如何安装 Milvus？
运行 pip install -U pymilvus 使用 Milvus Lite（嵌入式、基于本地文件）；通过 Docker Compose 部署 Milvus Standalone 以搭建单机自托管服务器；或使用 Helm chart / Milvus Operator 进行分布式 Kubernetes 部署。详见上方的"安装 Milvus"章节。
Milvus Lite 是什么？
Milvus Lite 是随 PyMilvus Python SDK 一同打包的嵌入式 Milvus 版本——通过 pip install -U pymilvus 安装，将连接 URI 指向本地文件（例如 ./milvus.db），即可完全在进程内运行，无需单独的服务器，非常适合本地原型开发。
Milvus 支持使用本地嵌入模型进行 RAG 吗？
支持。Milvus 可与 LangChain 和 LlamaIndex 集成，其 Python SDK 支持来自 Sentence Transformers、BGE-M3 等来源的嵌入模型，包括本地运行的模型，而不仅限于 OpenAI 等云服务商。
Milvus 和 Zilliz Cloud 是同一个东西吗？
不是。Milvus 是由 LF AI & Data 基金会管理的开源数据库项目本身。Zilliz Cloud 是 Zilliz（Milvus 的主要企业贡献者）提供的一项独立、可选的付费托管服务。
Milvus 支持 GPU 加速吗？
支持。Milvus 支持在受支持的硬件上使用 GPU 加速索引类型（如 CAGRA），在大规模场景下加快索引构建和检索速度，该功能自 2.4.x 版本线引入。
Milvus 支持混合检索吗？
支持。Milvus 支持在单次查询中结合稠密向量相似度、稀疏/全文（BM25）检索与元数据过滤——全文检索功能是在 2.5.x 版本线中加入的。
Milvus 与 Qdrant 相比如何？
两者都是免费、开源、可自托管的向量数据库，均支持面向 RAG 流程的混合检索。Milvus 提供 GPU 加速索引，架构更分布式、更面向生产规模，并由 LF AI & Data 基金会治理；使用 Rust 编写的 Qdrant 在中小规模项目的自托管上通常更简单。详见上方专门的 Milvus 对比 Qdrant 章节。
Milvus 项目由谁治理？
Milvus 隶属于 LF AI & Data 基金会（Linux Foundation 旗下项目），于 2021 年 6 月从孵化阶段毕业。2019 年最初将 Milvus 开源的公司 Zilliz，如今仍是其主要企业贡献者。