Novedades en Milvus 2.2.3
Nos enorgullece anunciar el lanzamiento de Milvus 2.2.3 en nombre de la comunidad de Milvus. La versión 2.2.3 contiene algunas funciones nuevas y muchas mejoras. Esta publicación de blog destacará algunas de las funciones más importantes. Para obtener una lista completa de cambios, consulta las notas de la versión.
- 📦 PyPI: https://pypi.org/project/milvus/
- 📚 Docs: https://milvus.io/docs
- 🛠️ Notas de la versión: https://milvus.io/docs/release_notes.md#223
- 🐳 Imagen de Docker: docker pull milvusdb/milvus
- 🚀 Lanzamiento: https://github.com/milvus-io/milvus/releases/tag/v2.2.3
Uno de los aspectos más destacados de esta versión es la introducción del soporte para Rolling Upgrade, una capacidad esencial de los sistemas de alta disponibilidad. Una actualización continua te permite actualizar Milvus sin una interrupción perceptible del servicio y con un tiempo de inactividad mínimo. De nuevo, en línea con el tema de HA, esta versión incluye la función Coordinator High Availability (HA) para permitir que los coordinadores de Milvus funcionen en modo activo-en espera y garantizar un tiempo de recuperación ante fallos corto de no más de 30 segundos.
Además, se añadieron varias mejoras a las siguientes funciones:
- Bulk-insert
- Reducción del uso de memoria
- Optimización de métricas de monitoreo
- Mejoras de rendimiento para el almacenamiento Meta
Ten en cuenta que Milvus 2.2.3 también incluyó un cambio incompatible donde el número máximo de campos en una colección se redujo de 256 a 64 (#22030).
Resumen Además de todas las funciones enumeradas anteriormente, Milvus 2.2.3 incluye varias correcciones de errores y mejoras. Para obtener más información:
Sigue leyendo

Context Engineering Strategies for AI Agents: A Developer’s Guide
Learn practical context engineering strategies for AI agents. Explore frameworks, tools, and techniques to improve reliability, efficiency, and cost.

1 Table = 1000 Words? Foundation Models for Tabular Data
TableGPT2 automates tabular data insights, overcoming schema variability, while Milvus accelerates vector search for efficient, scalable decision-making.

Vector Databases vs. Key-Value Databases
Use a vector database for AI-powered similarity search; use a key-value database for high-throughput, low-latency simple data lookups.



