目录
轻量版 Milvus 能做什么？
如何在 Jupyter Notebook 中使用向量数据库？
随着各种大语言模型（LLM）的涌现和 AI 技术变得越来越普遍，大家对于向量数据库的需求也变得越来越多。作为大模型的记忆体，向量数据库不仅可以帮助解决 LLM 面临的最大问题——缺乏特定领域知识和最新数据，还可以赋能相似性搜索应用，如产品推荐、以图搜图、文本语义搜索等。
此前，我们为那些想要快速体验向量数据库、没有专业运维团队支撑、安装部署环境受限的用户推出了轻量级版本的向量数据库——Milvus Lite，本文将基于此版本，为大家介绍如何在 Jupyter Notebook 中使用向量数据库。
轻量版 Milvus 能做什么？
Milvus 是一个分布式、云原生的向量数据库，可处理十亿级的向量数据，用于索引、存储和查询向量数据。
Milvus 系统分为四个层面，采用多种类型的执行节点（worker node），极大地增强了系统弹性和可扩展性。除了使用多个单一目的的节点外，Milvus 还使用分段（segment）数据以提升索引构建的效率。Milvus 的数据分段容量为 512 MB，查询时会并行查询多个分段，以确保系统低延迟（latency）。
Milvus 向量数据库的宏观架构
Milvus Lite 是 Milvus 的轻量级版本，拥有诸多优势，例如可以轻松将 Milvus Lite 集成到 Python 应用程序中，不需要任何其他依赖项；与 Google Colab 和 Jupyter Notebook 的集成变得更容易等，了解更多优势参见文章《Milvus Lite 已交卷！轻量版 Milvus，主打就是一个轻便、无负担》。
由于 Milvus Lite 和 Milvus 的工作原理相同，且可以在本地保存所有的数据，因此，用户可以使用 Docker Compose、Helm 或 Milvus Operator 来启动 Milvus 实例。当然，也可以从 Jupyter Notebook 或 Python 脚本直接启动 Miluvs Lite 实例。
如何在 Jupyter Notebook 中使用向量数据库？
为快速上手，大家可以通过 pip 在 Jupyter Notebook 中快速安装向量数据库 Milvus Lite。
在 Jupyter Notebook 第一行中运行 ！pip install pymilvus milvus以安装 pymilvus和 milvus。安装完成后，使用 iPython Notebook 启动并连接至向量数据库。milvus模块提供 Milvus Lite，pymilvus模块提供连接到 Milvus 的 Python 接口。
接下来可以按照以下步骤操作：
-
从 milvus 模块中导入 default_server。
-
从 pymilvus 模块中导入 connections。
-
从 pymilvus 模块中导入 utility。
-
使用 default_server 中的
start()函数来启动服务器。 -
服务器启动后，我们使用 connections 模块中的 connect 进行连接，传入主机 localhost 或 127.0.0.1 以及默认服务器的端口。
from milvus import default_server
from pymilvus import connections, utility
default_server.start()
connections.connect(host="127.0.0.1", port=default_server.listen_port)
连接至 Milvus 后，使用 utility 体验向量数据库。例如，调用get_server_version() 以确保数据库已更新至最新版本。或者，使用 utility 查看 Milvus 集合（可以将其理解为数据表）。大家还可以在新建集合时检查新集合的名称是否已被现有集合使用。如果已被使用，可以通过drop_collection删除现有集合或者为新集合选择一个新名称。
utility.get_server_version()
if utility.has_collection(COLLECTION_NAME):
utility.drop_collection(COLLECTION_NAME)
还是那句话，我们不推荐在任何生产环境中使用 Milvus Lite，也不推荐在需要高性能、高可用性或高可扩展性时的场景下使用 Milvus Lite。相反，当大家有类似需求时，我们更推荐 Milvus 集群或 Zilliz Cloud（提供开箱即用的向量数据库服务，6 月底即将登陆阿里云）进行部署。
最后，本文内容同样适用于 CoLab Notebook。详情参见以图搜图应用（https://colab.research.google.com/drive/1qBVYsiNTp5w8zclqxkKp_hHIoKdCGwB8?usp=sharing）和文本语义搜索应用（https://colab.research.google.com/drive/1dTYiwmJrjojqGw_DTBX05wi0l5YoX1HU?usp=sharing）。
