### 使用 Milvus 和 Ollama 实现文本向量的存储与检索 #### 环境准备 在开始之前，需要确保已安装必要的依赖项。以下是所需的软件及其用途： - **Milvus**: 用于高效存储和检索向量数据。 - **Ollama**: 将文本转换为高维向量。 - **Python SDK (pymilvus)**: 方便与 Milvus 数据库进行交互。 可以通过以下命令安装 `pymilvus`[^4]: ```bash pip install pymilvus ``` #### 创建 Milvus 集合 首先，需连接到 Milvus 服务器并创建一个集合以存储向量数据。以下是一个简单的 Python 脚本示例： ```python from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection # 连接到 Milvus 服务 connections.connect("default", host="localhost", port="19530") # 定义字段模式 fields = [ FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=False), FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536) ] # 构建集合方案 schema = CollectionSchema(fields, "Text Embedding Storage Example") # 创建集合 collection_name = "text_embedding_collection" collection = Collection(name=collection_name, schema=schema) print(f"Collection {collection_name} created successfully.") ``` 上述脚本中，`embedding` 字段被定义为浮点型向量，维度设置为 1536（具体取决于所使用的模型）。此配置应根据实际需求调整[^3]。 #### 插入文本向量 接下来，利用 Ollama 将文本转换为向量，并将其插入到 Milvus 集合中。假设已经有一个运行中的 Ollama 服务，则可通过 HTTP 请求获取嵌入向量： ```python import requests def get_text_embedding(text): url = "http://localhost:11434/api/generate" payload = {"prompt": text} response = requests.post(url, json=payload).json() embedding = response["embedding"] return embedding ``` 随后，将这些向量批量插入到 Milvus 中： ```python texts = ["example sentence one", "another example sentence"] embeddings = [] for text in texts: embeddings.append(get_text_embedding(text)) data_to_insert = [[i for i in range(len(embeddings))], embeddings] mr = collection.insert(data_to_insert) print(mr) ``` 以上代码片段展示了如何从一组文本生成相应的嵌入向量，并将其存入 Milvus 数据库中。 #### 执行相似度搜索 一旦数据成功入库，就可以基于输入查询执行最近邻搜索。下面是如何构建查询并向 Milvus 发送请求的例子： ```python query_vector = [get_text_embedding("search query")] search_params = { "metric_type": "L2", "params": {"nprobe": 10}, } results = collection.search( data=query_vector, anns_field="embedding", param=search_params, limit=5, expr=None ) for result in results: print(result.ids, result.distances) ``` 这里设置了 L2 距离作为衡量标准，并指定了返回前五个最接近的结果[^1]。 --- ### 总结 通过结合 Milvus 和 Ollama，可以有效地实现文本向量的存储与检索过程。这不仅简化了开发流程，还显著提升了系统的性能表现。