Milvus 运维命令 100 条

Milvus 是面向向量检索和生成式 AI 场景的分布式向量数据库。它的数据管理对象包括 Database、Collection、Partition、Entity、Index 和 Resource Group，集群部署还涉及 Proxy、QueryNode、DataNode、MixCoord、StreamingNode、etcd、对象存储和消息系统等组件。

2026年8月19日阅读—点赞—收藏—

dba100墨力计划milvus

前言

下面整理 Milvus 2.6 常用的 100 条开发与运维命令。为了避免新旧接口混用，本文主要采用官方推荐的 PyMilvus MilvusClient 接口，最后一部分补充 Kubernetes、健康检查、监控和 Milvus Backup 命令。

不同 Milvus 版本、Lite/Standalone/Distributed 部署模式及托管服务的功能存在差异。删除 Collection、释放资源、修改索引、压缩和恢复备份前，应确认影响范围。文中的地址、Token、数据库、Collection 和路径均为示例。

一、安装、连接与基础信息

1. 安装 PyMilvus

Bash

1python3 -m pip install -U pymilvus

PyMilvus 版本应与 Milvus 服务端大版本兼容。

2. 查看 PyMilvus 版本

Bash

1python3 -c "import pymilvus; print(pymilvus.__version__)"

3. 连接 Milvus

Python

1from pymilvus import MilvusClient
2
3client = MilvusClient(
4    uri="http://localhost:19530",
5    token="root:Milvus"
6)

生产环境应启用 TLS 并替换默认账号密码。

4. 使用指定数据库连接

Python

1client = MilvusClient(
2    uri="http://localhost:19530",
3    token="root:Milvus",
4    db_name="appdb"
5)

5. 使用 TLS 连接

Python

1client = MilvusClient(
2    uri="https://milvus.example.com:19530",
3    token="appuser:password",
4    secure=True
5)

证书参数应根据部署方式配置。

6. 检查服务端版本

Python

1from pymilvus import connections, utility
2
3connections.connect(
4    alias="ops",
5    uri="http://localhost:19530",
6    token="root:Milvus"
7)
8print(utility.get_server_version(using="ops"))

7. 检查连接是否可用

Python

1print(client.list_collections())

8. 设置操作超时

Python

1print(client.list_collections(timeout=10))

9. 关闭客户端

Python

1client.close()

10. 查看 MilvusClient 帮助

Bash

1python3 -c \
2"from pymilvus import MilvusClient; help(MilvusClient)"

二、Database 管理

11. 查看所有数据库

Python

1print(client.list_databases())

12. 创建数据库

Python

1client.create_database(db_name="appdb")

13. 切换数据库

Python

1client.use_database(db_name="appdb")

14. 查看数据库详情

Python

1print(client.describe_database(db_name="appdb"))

15. 创建带属性的数据库

Python

1client.create_database(
2    db_name="tenant_a",
3    properties={
4        "database.replica.number": 2
5    }
6)

属性是否支持取决于当前版本和部署模式。

16. 修改数据库属性

Python

1client.alter_database_properties(
2    db_name="tenant_a",
3    properties={"database.replica.number": 1}
4)

17. 删除数据库属性

Python

1client.drop_database_properties(
2    db_name="tenant_a",
3    property_keys=["database.replica.number"]
4)

18. 查看当前数据库中的 Collection

Python

1client.use_database("appdb")
2print(client.list_collections())

19. 清空数据库中的 Collection

Python

1for name in client.list_collections():
2    client.drop_collection(collection_name=name)

这是破坏性操作，只能在明确需要清空目标数据库时使用。

20. 删除数据库

Python

1client.use_database("default")
2client.drop_database(db_name="tenant_a")

删除前必须确保数据库中没有 Collection。

三、Schema 与 Collection

21. 快速创建 Collection

Python

1client.create_collection(
2    collection_name="documents",
3    dimension=768,
4    metric_type="COSINE"
5)

快速创建模式会生成默认主键和向量字段。

22. 创建自定义 Schema

Python

1from pymilvus import DataType
2
3schema = MilvusClient.create_schema(
4    auto_id=False,
5    enable_dynamic_field=False
6)

23. 添加主键字段

Python

1schema.add_field(
2    field_name="doc_id",
3    datatype=DataType.INT64,
4    is_primary=True
5)

24. 添加向量字段

Python

1schema.add_field(
2    field_name="embedding",
3    datatype=DataType.FLOAT_VECTOR,
4    dim=768
5)

25. 添加 VARCHAR 字段

Python

1schema.add_field(
2    field_name="title",
3    datatype=DataType.VARCHAR,
4    max_length=512
5)

26. 添加 JSON 字段

Python

1schema.add_field(
2    field_name="metadata",
3    datatype=DataType.JSON,
4    nullable=True
5)

27. 使用自定义 Schema 创建 Collection

Python

1client.create_collection(
2    collection_name="documents_v2",
3    schema=schema
4)

未创建向量索引时，Collection 不会自动加载。

28. 查看 Collection

Python

1print(client.list_collections())

29. 判断 Collection 是否存在

Python

1print(client.has_collection(
2    collection_name="documents_v2"
3))

30. 查看 Collection 详情

Python

1print(client.describe_collection(
2    collection_name="documents_v2"
3))

31. 查看 Collection 统计

Python

1print(client.get_collection_stats(
2    collection_name="documents_v2"
3))

32. 重命名 Collection

Python

1client.rename_collection(
2    old_name="documents_v2",
3    new_name="documents_prod"
4)

33. 设置 Collection TTL

Python

1client.alter_collection_properties(
2    collection_name="documents_prod",
3    properties={"collection.ttl.seconds": 604800}
4)

TTL 删除是异步过程，不适合要求立即物理删除的数据。

34. 设置 Collection mmap

Python

1client.alter_collection_properties(
2    collection_name="documents_prod",
3    properties={"mmap.enabled": True}
4)

35. 删除 Collection 属性

Python

1client.drop_collection_properties(
2    collection_name="documents_prod",
3    property_keys=["collection.ttl.seconds"]
4)

36. 删除 Collection

Python

1client.drop_collection(
2    collection_name="documents_prod"
3)

四、Partition 管理

37. 查看 Partition

Python

1print(client.list_partitions(
2    collection_name="documents"
3))

38. 创建 Partition

Python

1client.create_partition(
2    collection_name="documents",
3    partition_name="p_2026"
4)

39. 判断 Partition 是否存在

Python

1print(client.has_partition(
2    collection_name="documents",
3    partition_name="p_2026"
4))

40. 查看 Partition 统计

Python

1print(client.get_partition_stats(
2    collection_name="documents",
3    partition_name="p_2026"
4))

41. 创建分区键字段

Python

1schema.add_field(
2    field_name="tenant_id",
3    datatype=DataType.VARCHAR,
4    max_length=64,
5    is_partition_key=True
6)

分区键 Collection 由 Milvus 自动管理分区。

42. 加载指定 Partition

Python

1client.load_partitions(
2    collection_name="documents",
3    partition_names=["p_2026"]
4)

43. 释放指定 Partition

Python

1client.release_partitions(
2    collection_name="documents",
3    partition_names=["p_2026"]
4)

44. 删除 Partition

Python

1client.drop_partition(
2    collection_name="documents",
3    partition_name="p_2026"
4)

默认分区不能删除，非空分区删除前应确认数据影响。

五、数据写入与删除

45. 插入单条数据

Python

1result = client.insert(
2    collection_name="documents",
3    data=[{
4        "id": 1,
5        "vector": [0.1] * 768,
6        "title": "Milvus"
7    }]
8)
9print(result)

字段名应与实际 Collection Schema 一致。

46. 批量插入数据

Python

1rows = [
2    {"id": i, "vector": [float(i % 10) / 10] * 768}
3    for i in range(1, 1001)
4]
5print(client.insert("documents", rows))

47. 插入指定 Partition

Python

1client.insert(
2    collection_name="documents",
3    partition_name="p_2026",
4    data=[{"id": 1001, "vector": [0.2] * 768}]
5)

48. Upsert 数据

Python

1client.upsert(
2    collection_name="documents",
3    data=[{"id": 1, "vector": [0.3] * 768}]
4)

49. 根据主键获取数据

Python

1print(client.get(
2    collection_name="documents",
3    ids=[1, 2, 3],
4    output_fields=["id", "title"]
5))

50. 根据条件查询数据

Python

1print(client.query(
2    collection_name="documents",
3    filter="id >= 1 and id <= 100",
4    output_fields=["id", "title"],
5    limit=100
6))

51. 统计实体数量

Python

1print(client.query(
2    collection_name="documents",
3    filter="",
4    output_fields=["count(*)"]
5))

52. 按主键删除数据

Python

1print(client.delete(
2    collection_name="documents",
3    ids=[1, 2, 3]
4))

53. 按条件删除数据

Python

1print(client.delete(
2    collection_name="documents",
3    filter="id < 100"
4))

54. Flush Collection

Python

1client.flush(collection_name="documents")

正常写入由系统自动持久化，手动 Flush 不应高频调用。

六、索引管理

55. 准备索引参数

Python

1index_params = client.prepare_index_params()

56. 添加 AUTOINDEX 参数

Python

1index_params.add_index(
2    field_name="vector",
3    index_type="AUTOINDEX",
4    metric_type="COSINE"
5)

57. 创建 HNSW 索引参数

Python

1index_params.add_index(
2    field_name="vector",
3    index_name="idx_vector_hnsw",
4    index_type="HNSW",
5    metric_type="COSINE",
6    params={"M": 32, "efConstruction": 200}
7)

索引参数应通过真实数据压测确定。

58. 创建 IVF_FLAT 索引参数

Python

1index_params.add_index(
2    field_name="vector",
3    index_name="idx_vector_ivf",
4    index_type="IVF_FLAT",
5    metric_type="L2",
6    params={"nlist": 1024}
7)

59. 创建向量索引

Python

1client.create_index(
2    collection_name="documents",
3    index_params=index_params
4)

60. 异步创建索引

Python

1client.create_index(
2    collection_name="documents",
3    index_params=index_params,
4    sync=False
5)

61. 查看索引

Python

1print(client.list_indexes(
2    collection_name="documents"
3))

62. 查看索引详情

Python

1print(client.describe_index(
2    collection_name="documents",
3    index_name="idx_vector_hnsw"
4))

63. 修改索引 mmap 属性

Python

1client.alter_index_properties(
2    collection_name="documents",
3    index_name="idx_vector_hnsw",
4    properties={"mmap.enabled": True}
5)

64. 删除索引属性

Python

1client.drop_index_properties(
2    collection_name="documents",
3    index_name="idx_vector_hnsw",
4    property_keys=["mmap.enabled"]
5)

65. 删除索引

Python

1client.drop_index(
2    collection_name="documents",
3    index_name="idx_vector_hnsw"
4)

删除前应先释放 Collection，并确认不存在依赖该索引的在线查询。

七、加载、检索与查询

66. 加载 Collection

Python

1client.load_collection(
2    collection_name="documents"
3)

向量字段必须先创建索引。

67. 查看加载状态

Python

1print(client.get_load_state(
2    collection_name="documents"
3))

68. 查看加载进度

Python

1print(utility.loading_progress(
2    collection_name="documents",
3    using="ops"
4))

69. 释放 Collection

Python

1client.release_collection(
2    collection_name="documents"
3)

70. 执行向量搜索

Python

1result = client.search(
2    collection_name="documents",
3    data=[[0.1] * 768],
4    anns_field="vector",
5    limit=10,
6    output_fields=["id", "title"]
7)
8print(result)

71. 使用过滤条件搜索

Python

1result = client.search(
2    collection_name="documents",
3    data=[[0.1] * 768],
4    filter="id >= 1000",
5    limit=10,
6    output_fields=["id", "title"]
7)

72. 调整 HNSW 搜索参数

Python

1result = client.search(
2    collection_name="documents",
3    data=[[0.1] * 768],
4    search_params={
5        "metric_type": "COSINE",
6        "params": {"ef": 128}
7    },
8    limit=10
9)

73. 调整 IVF 搜索参数

Python

1result = client.search(
2    collection_name="documents",
3    data=[[0.1] * 768],
4    search_params={
5        "metric_type": "L2",
6        "params": {"nprobe": 32}
7    },
8    limit=10
9)

74. 在指定 Partition 中搜索

Python

1result = client.search(
2    collection_name="documents",
3    partition_names=["p_2026"],
4    data=[[0.1] * 768],
5    limit=10
6)

75. 使用范围搜索

Python

1result = client.search(
2    collection_name="documents",
3    data=[[0.1] * 768],
4    search_params={
5        "metric_type": "COSINE",
6        "params": {"radius": 0.8, "range_filter": 0.95}
7    },
8    limit=100
9)

76. 执行 Hybrid Search

Python

1from pymilvus import AnnSearchRequest, RRFRanker
2
3req1 = AnnSearchRequest(
4    data=[[0.1] * 768],
5    anns_field="dense_vector",
6    param={"metric_type": "COSINE"},
7    limit=20
8)
9req2 = AnnSearchRequest(
10    data=["database"],
11    anns_field="sparse_vector",
12    param={"metric_type": "IP"},
13    limit=20
14)
15result = client.hybrid_search(
16    "documents", [req1, req2], RRFRanker(), limit=10
17)

八、别名、压缩与资源管理

77. 创建 Collection 别名

Python

1client.create_alias(
2    collection_name="documents",
3    alias="documents_online"
4)

78. 查看别名

Python

1print(client.list_aliases(
2    collection_name="documents"
3))

79. 查看别名详情

Python

1print(client.describe_alias(
2    alias="documents_online"
3))

80. 切换别名

Python

1client.alter_alias(
2    collection_name="documents_v3",
3    alias="documents_online"
4)

81. 删除别名

Python

1client.drop_alias(alias="documents_online")

82. 手动触发 Compaction

Python

1job_id = client.compact(
2    collection_name="documents"
3)
4print(job_id)

83. 查看 Compaction 状态

Python

1print(client.get_compact_state(job_id=job_id))

PyMilvus 新版本逐步将该方法更名为 get_compaction_state()，应按客户端版本选择。

84. 查看资源组

Python

1print(client.list_resource_groups())

85. 查看资源组详情

Python

1print(client.describe_resource_group(
2    resource_group_name="default"
3))

86. 创建资源组

Python

1client.create_resource_group(
2    resource_group_name="rg_search"
3)

87. 转移 QueryNode

Python

1client.transfer_node(
2    source_resource_group="default",
3    target_resource_group="rg_search",
4    num_nodes=2
5)

88. 转移 Collection 副本

Python

1client.transfer_replica(
2    source_resource_group="default",
3    target_resource_group="rg_search",
4    collection_name="documents",
5    num_replicas=1
6)

89. 删除资源组

Python

1client.drop_resource_group(
2    resource_group_name="rg_search"
3)

删除前必须先迁出节点和副本。

九、用户与权限

90. 创建用户

Python

1client.create_user(
2    user_name="appuser",
3    password="Replace_With_Strong_Password"
4)

91. 查看用户

Python

1print(client.list_users())

92. 修改用户密码

Python

1client.update_password(
2    user_name="appuser",
3    old_password="OldPassword",
4    new_password="NewStrongPassword"
5)

93. 创建角色

Python

1client.create_role(role_name="app_readonly")

94. 将角色授予用户

Python

1client.grant_role(
2    user_name="appuser",
3    role_name="app_readonly"
4)

95. 授予 Collection 权限

Python

1client.grant_privilege(
2    role_name="app_readonly",
3    object_type="Collection",
4    privilege="Search",
5    object_name="documents",
6    db_name="appdb"
7)

96. 查看角色权限

Python

1print(client.describe_role(
2    role_name="app_readonly"
3))

十、集群、监控与备份

97. 查看 Kubernetes 中的 Milvus Pod

Bash

1kubectl get pods -n milvus -o wide

98. 查看 Milvus 组件日志

Bash

1kubectl logs -n milvus \
2deployment/milvus-proxy --since=30m

控制器名称应根据 Helm Release 和实际部署调整。

99. 检查健康状态和指标

Bash

1curl -s http://localhost:9091/healthz
2curl -s http://localhost:9091/metrics | head

管理端口、路径和访问方式取决于部署配置。

100. 使用 Milvus Backup 备份和恢复

Bash

1./milvus-backup create -n appdb_20260727
2./milvus-backup list
3./milvus-backup restore \
4  -n appdb_20260727 \
5  -s _recover

恢复后应重新检查 Collection、索引、加载状态、实体数量和抽样搜索结果。

结语

Milvus 运维的重点是同时关注数据对象、索引、内存加载、组件资源和底层依赖。搜索变慢时，不能只调整 limit 或 nprobe，还要检查索引类型、数据分布、QueryNode 内存、Segment 状态和对象存储延迟。

生产环境应建立备份恢复演练、指标监控和容量规划，并严格区分 Milvus Lite、Standalone、Distributed 以及托管服务支持的功能边界。

前言

1result = client.search( 2 collection_name="documents", 3 data=[[0.1] * 768], 4 search_params={ 5 "metric_type": "COSINE", 6 "params": {"radius": 0.8, "range_filter": 0.95} 7 }, 8 limit=100 9)

76. 执行 Hybrid Search

Python

1from pymilvus import AnnSearchRequest, RRFRanker
2
3req1 = AnnSearchRequest(
4    data=[[0.1] * 768],
5    anns_field="dense_vector",
6    param={"metric_type": "COSINE"},
7    limit=20
8)
9req2 = AnnSearchRequest(
10    data=["database"],
11    anns_field="sparse_vector",
12    param={"metric_type": "IP"},
13    limit=20
14)
15result = client.hybrid_search(
16    "documents", [req1, req2], RRFRanker(), limit=10
17)

结语

生产环境应建立备份恢复演练、指标监控和容量规划，并严格区分 Milvus Lite、Standalone、Distributed 以及托管服务支持的功能边界。