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 hashset源码解析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。网页源码下载方法

       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。实心圆点的源码

       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，批量验证qq源码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vip视频api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