1.使用 C# 进行AI工程开发-基础篇（五）：文件数据库与向量数据库
2.从零开始构建向量数据库：Milvus 的源码源码编译安装（一）
3.强大的向量数据库：Milvus
4.向量数据库入坑：使用 Docker 和 Milvus 快速构建本地轻量搜索引擎
5.Milvus 向量数据库进阶: 部署形态选型
6.手把手系列！用 Milvus 和 Python 搭建**推荐系统

使用 C# 进行AI工程开发-基础篇（五）：文件数据库与向量数据库

       在AI工程开发中，源码数据库是源码数据存储与管理的关键基础设施，本文将深入探讨几种非关系型数据库，源码包括LiteDB、源码RocksDB与milvus，源码java web前台界面源码旨在帮助开发者在不同数据场景下做出更合适的源码选择。

       LiteDB是源码一款纯C#开发的嵌入式数据库，简洁高效，源码适合数据量不大的源码场景。在日常开发中，源码它为无需SQL的源码简单数据处理提供了快速解决方案。

       RocksDB作为Facebook基于LevelDB打造的源码KV数据库，适用于数据量庞大的源码场景。它在性能与稳定性方面表现出色，源码成为大型数据集管理的理想选择。通过rocksdb-sharp封装，C#开发者能够轻松接入RocksDB，实现跨平台部署。天龙怀旧源码

       milvus作为开源的向量数据库，支持向量索引，特别适用于向量相似度检索。在milvus2.2.版本中，通过docker容器化部署，开发者可以迅速启动数据库服务。借助attu客户端，用户能轻松进行数据集管理、索引创建与数据操作，实现高效数据处理。

       本文示例展示了如何在C#中使用milvus SDK进行数据库操作，包括创建Client、Collection，创建索引与加载，以及数据的插入与向量检索。在当前存储成本低廉的背景下，几亿数据的检索任务在单机上即可完成，而分布式部署选项则为大规模数据处理提供了灵活性。项目导航源码

       本文还涵盖了数据库架构的讨论，以图像检索系统为例，展示了不同数据库在实际场景中的应用。对于向量数据库的测试数据集与优化性能的策略，以及著名的最近邻索引算法项目，也提供了参考信息，以助开发者深入理解并优化向量数据库的使用。

从零开始构建向量数据库：Milvus 的源码编译安装（一）

       在知乎上新开了关于“向量数据库”内容的专栏[1]，本文将详细介绍如何在x和ARM架构的Linux系统上编译安装开源项目Milvus，这个项目由Linux Foundation AI & Data基金会支持，常与Weaviate和Elasticsearch相提并论[2][3]。

       由于Milvus主要在GitHub进行开发，中文网络中关于编译安装的教程很少，且大多是过时的1.x版本资料，而Milvus的版本迭代迅速，目前主要提供Docker容器安装，本地开发者或追求透明度的开发者可能会觉得不够友好。本文将从头开始，intent源码分析逐步引导你进行编译安装。

       前置准备

       在开始前，需要确保操作系统、开发环境和必要的依赖已经准备妥当。Linux作为主力生产环境，本文将重点介绍在Ubuntu上编译。macOS和Windows上的步骤类似，但这里主要针对Linux。

       操作系统

       推荐使用Ubuntu，无论是服务器、容器基础镜像，还是个人笔记本。具体配置和安装细节可以参考我在其他文章中介绍的《笔记本上搭建Linux学习环境》[6]。

       开发环境

       Milvus主要使用Golang编写，同时包含C++代码。确保Golang和C++环境可用，参考《搭建Golang开发环境》[8]，并注意Milvus官方推荐的走动熊猫源码版本。

       源码获取

       获取Milvus源码有两种方式：Git Clone或下载压缩包，其中Git Clone可能需要借助国内镜像加速。具体步骤包括设置代码仓库的上游，确保代码同步。

       编译基础依赖

       项目依赖OpenBLAS加速向量计算，详细安装步骤在《走进向量计算：OpenBLAS编译》[]中有详述。

       准备构建依赖：cmake

       确保cmake版本至少为3.，Ubuntu .需手动安装，而Ubuntu .可直接使用apt。不同版本可能有差异，注意官方文档推荐的版本。

       额外依赖：clang-format和clang-tidy

       项目代码中需要clang-format和clang-tidy，Ubuntu .和.的安装方式各有不同，务必安装正确版本以保持和官方构建一致。

       编译 Milvus

       切换到 Milvus 代码目录，执行make命令编译。整个过程可能耗时，但完成后将在./bin/目录下找到可执行文件。

       总结

       本文详细介绍了在Ubuntu .和.环境中编译安装Milvus的步骤，包括操作系统、开发环境和依赖的安装。后续文章将深入探讨容器镜像构建优化以及在MacOS上的安装指南。

       期待你的反馈，如果觉得有用，请点赞和分享。如有任何问题或需要更新，请关注后续内容更新，感谢支持！

强大的向量数据库：Milvus

       强大的向量数据库Milvus在推荐系统中的向量最邻近检索中扮演着关键角色，特别是在召回流程中。相较于Annoy和faiss等常用工具，Milvus更像一个专为AI应用和相似度搜索设计的开源向量数据库，尤其是在官方最新版本2.0.0rc4中，它引入了众多增强功能，但2.x版本尚在迭代，可能存在问题。推荐使用稳定版本1.1.1，尽管功能较新版本有所限制，但稳定可靠。

       安装Milvus可以通过Docker，官方文档提供了详细步骤。单机版安装包括下载镜像文件并启动，而分布式部署则可通过Kubernetes。Python SDK安装需要注意，最新版本要求Python 3.8或更高，且pandas版本要求较高。

       Milvus的核心功能包括创建collection，其中包含主键和向量字段，支持数据分区和插入。索引创建是提高搜索效率的关键，目前支持多种类型，包括向量搜索和带表达式的标量过滤。虽然目前不支持字符串过滤，但官方承诺后续会增强。

       数据管理方面，Milvus提供可视化工具，方便查看和管理collection，支持在线向量检索。尽管2.x版本的SDK支持仅限Python，但更多语言的SDK还在开发中。

       Milvus的强大不仅在于现有的功能，他们持续推出更多创新，展现出了强大的潜力。

向量数据库入坑：使用 Docker 和 Milvus 快速构建本地轻量搜索引擎

       本篇文章，介绍如何使用 Docker 构建本地轻量级搜索引擎，实现以图搜图功能。为了满足日常需求，之前的问题《如何在自己计算机上以图搜图？》受到了广泛关注，但缺乏详细的解决方案。作者利用上周制作的 Milvus 镜像，本周将聚焦于搜索话题，通过展示实际效果再深入探讨实现方法。

       快速启动搜索引擎，只需执行特定命令，即可在本地搭建完成。使用 Docker，你能够在浏览器中访问 pose.yml文件，添加可视化组件。执行docker-compose up -d命令启动服务，通过docker ps查看服务状态，并访问端口进入可视化界面。

       在集成过程中，需要在配置文件中增加Milvus的配置，以便在前端页面组件中展示出来。分析页面节点组件初始化过程，重点是修改import_by_type组件的初始化逻辑，以支持Milvus数据库。启动前后端服务后，访问前端服务界面，选择PDF Loader作为演示，将Chroma数据库替换为Milvus，并填写相关内容。所有组件加载成功后，数据存入Milvus数据库，验证正确。

       此过程由程欢 | 高级后端开发工程师完成，并经过神州数码云基地团队整理撰写。如需了解更多AI相关技术干货，可关注公众号“神州数码云基地”。

-- docker 启动milvus失败

       ä¹‹å‰åœ¨win上启动 milvus是正常的，现在换了一台centos笔记本，启动失败了。尝试了不同版本的milvus，问题依旧。

        docker ps 命令看不到启动的容器。 docker ps -a 可以看到容器在刚启动，就退出了

        milvus的log文件夹下是空的

        查看容器的日志，命令为 sudo docker logs container_id

        可以看到容器的启动日志里显示：

        Invalid cpu cache size: 4G

        因为这台centos的笔记本配置弱鸡，内存仅有4G。而milvus默认的要求是4+1=5G，因此启动失败

        在milvus/conf/server_config.yaml 配置文件中，将cache_size 改为1GB。启动成功