:bird: 您可以做什么

开启一段互动式学习之旅，掌握 Milvus，通过无缝集成和优化工具提升您的项目能力。

• 探索教程：深入笔记本，逐步了解各种 Milvus 使用场景。

• 部署演示：构建属于您自己的演示，亲身体验 Milvus 的强大功能。

• 发现应用场景：通过实际案例学习 Milvus 如何与其他工具和框架集成。

• 拓展技能：运用评估方法测试并优化您的应用。

:pencil: 示例

您可以浏览全面的 教程概览，涵盖检索增强生成（RAG）、语义搜索、混合搜索、问答系统、推荐系统以及各类快速入门指南。这些资源旨在帮助您快速高效地起步。

图像搜索	RAG	药物发现

以下是一些使用 Milvus 构建不同类型 AI 应用的演示和教程示例：

教程	使用场景	相关 Milvus 功能
使用 Milvus 构建 RAG	RAG	向量搜索
高级 RAG 优化	RAG	向量搜索、全文搜索
使用 Milvus 进行全文搜索	文本搜索	全文搜索
使用 Milvus 进行混合搜索	混合搜索	混合搜索、多向量、稠密嵌入、稀疏嵌入
使用 Milvus 进行图像相似性搜索	语义搜索	向量搜索、动态字段
使用多向量进行多模态搜索	语义搜索	多向量、混合搜索
使用 Milvus 进行电影推荐	推荐系统	向量搜索
使用 Milvus 进行图 RAG	RAG	图搜索
将 Milvus 用作 LangChain 向量存储	RAG	向量搜索
使用 Milvus 和 LlamaIndex 构建 RAG	RAG	向量搜索
使用 Milvus 进行上下文检索	快速入门	向量搜索
向量可视化	快速入门	向量搜索
使用 Milvus 进行 HDBSCAN 聚类	快速入门	向量搜索
使用 ColPali 进行多模态检索	快速入门	向量搜索

:fire: 社区

加入 Milvus 社区的 Discord，与我们的工程师团队分享您的建议、经验及疑问。

想要了解 Milvus 的最新动态，请关注我们的社交媒体平台：

• X
• LinkedIn
• Youtube
• Medium

您还可以查看我们的 FAQ 页面，寻找问题或疑惑的答案，并订阅 Milvus 邮件列表：

• 技术指导委员会
• 技术讨论
• 公告

让我们携手加速您的 Milvus 学习之旅吧！

Milvus Bootcamp 快速上手指南

Milvus Bootcamp 是一个交互式学习平台，旨在帮助开发者通过实战教程、演示案例和评估方法，快速掌握 Milvus 向量数据库的核心功能，构建检索增强生成（RAG）、语义搜索、推荐系统等 AI 应用。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (Ubuntu/CentOS), macOS, 或 Windows (WSL2 推荐)。
• Python 版本：建议安装 Python 3.8 或更高版本。
• 前置依赖：
  • pip：Python 包管理工具。
  • Jupyter Notebook 或 JupyterLab：用于运行官方提供的交互式教程 notebooks。
  • Milvus 实例：您需要一个可连接的 Milvus 服务。
    • 方案 A（推荐新手）：使用 Zilliz Cloud 免费托管服务，无需本地部署。
    • 方案 B（本地部署）：使用 Docker 快速启动本地 Milvus。

    docker run -d --name milvus-standalone \
      -p 19530:19530 -p 9091:9091 \
      -v $(pwd)/volumes:/var/lib/milvus \
      milvusdb/milvus:latest \
      milvus run standalone
    

• Python 客户端库：

  pip install pymilvus
  

  (国内用户如遇下载缓慢，可使用清华源加速：pip install pymilvus -i https://pypi.tuna.tsinghua.edu.cn/simple)

安装步骤

Bootcamp 本身不是一个需要单独安装的软件包，而是一系列教程代码和 Notebooks 的集合。您可以通过以下方式获取并开始学习：

1. 克隆仓库 将 Bootcamp 代码库克隆到本地：

   git clone https://github.com/milvus-io/bootcamp.git
   cd bootcamp
   

   (国内用户推荐使用 Gitee 镜像或配置 Git 代理以加速克隆)

2. 安装教程依赖 进入对应的教程目录，安装该案例所需的特定依赖包。通常每个教程目录下都有 requirements.txt。

   # 示例：安装 RAG 相关教程的依赖
   cd tutorials/rag
   pip install -r requirements.txt
   

3. 启动 Jupyter 在教程目录下启动 Jupyter Notebook 以交互方式运行代码：

   jupyter notebook
   

基本使用

以下是一个最简单的示例，展示如何使用 Milvus Python SDK 连接数据库并执行基础的向量搜索（对应 Bootcamp 中的 "Quickstart" 类教程逻辑）。

1. 初始化连接

from pymilvus import connections, utility

# 连接到本地 Milvus 实例 (如果是 Zilliz Cloud，请填写对应的 uri 和 token)
connections.connect(
  alias="default",
  host="localhost",
  port="19530"
)

print("成功连接到 Milvus!")

2. 创建集合并插入数据

from pymilvus import Collection, FieldSchema, CollectionSchema, DataType
import numpy as np

# 定义 Schema
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128)
]
schema = CollectionSchema(fields=fields)

# 创建集合
collection = Collection("bootcamp_demo", schema=schema)

# 准备随机向量数据 (100 条，维度 128)
vectors = np.random.rand(100, 128).tolist()

# 插入数据
entities = [vectors]
insert_result = collection.insert(entities)
print(f"插入了 {insert_result.insert_count} 条数据")

# 创建索引以加速搜索
index_params = {
    "metric_type": "L2",
    "index_type": "IVF_FLAT",
    "params": {"nlist": 128}
}
collection.create_index(field_name="embedding", index_params=index_params)
collection.load()

3. 执行向量搜索

# 准备查询向量
query_vector = [np.random.rand(128).tolist()]

# 定义搜索参数
search_params = {
    "metric_type": "L2",
    "params": {"nprobe": 10}
}

# 执行搜索
results = collection.search(
    data=query_vector,
    anns_field="embedding",
    param=search_params,
    limit=3, # 返回最相似的 3 条结果
    output_fields=["id"]
)

# 打印结果
for hits in results:
    for hit in hits:
        print(f"ID: {hit.entity.get('id')}, Distance: {hit.distance}")

进阶探索

完成基础示例后，您可以深入 bootcamp 仓库中的具体教程目录，体验更复杂的场景：

• RAG 应用：参考 tutorials/rag 目录，学习如何结合 LLM 构建问答系统。
• 混合搜索：参考 tutorials/hybrid_search，学习如何同时利用向量搜索和标量过滤。
• 多模态搜索：参考 tutorials/multimodal，探索图像与文本的联合检索。

更多详细教程列表请访问 Milvus 官方文档 - 教程概览。