Milvus_CLIを使い始める
情報爆発の時代、私たちは音声、画像、動画、その他の非構造化データを常に生み出している。この膨大なデータをいかに効率的に分析するか。ニューラルネットワークの登場により、非構造化データをベクトルとして埋め込むことが可能になり、Milvusデータベースは、ベクトルデータの保存、検索、分析を完結させる基本的なデータサービスソフトウェアである。
しかし、Milvusのベクトル・データベースを迅速に利用するにはどうすればよいのだろうか？
APIは覚えるのが大変で、Milvusデータベースを操作する簡単なコマンドラインがあればいいのに、と不満を漏らすユーザーもいる。
Milvus_CLIはMilvusベクトルデータベース専用のコマンドラインツールです。
Milvus_CLIはMilvusの便利なデータベースCLIであり、シェルの対話型コマンドを使用してデータベース接続、データインポート、データエクスポート、ベクトル計算を行うことができます。最新版のMilvus_CLIには以下の機能があります。
Windows、Mac、Linuxを含む全てのプラットフォームに対応
pip によるオンラインおよびオフラインインストールに対応
ポータブル、どこでも使用可能
Python用Milvus SDKをベースに構築
ヘルプドキュメント付き
オートコンプリート対応
インストール
Milvus_CLIはオンラインでもオフラインでもインストールできます。
オンラインでMilvus_CLIをインストールする
以下のコマンドを実行し、pipでMilvus_CLIをオンラインインストールします。Python 3.8以降が必要です。
pip install milvus-cli
Milvus_CLI をオフラインでインストールする
Milvus_CLIをオフラインでインストールするには、まずリリースページから最新のtarballをダウンロードしてください。
図1](https://assets.zilliz.com/1_af0e832119.png)
tarballのダウンロードが完了したら、以下のコマンドを実行し、Milvus_CLIをインストールします。
pip install milvus_cli-<バージョン>.tar.gz
Milvus_CLIがインストールされたら、milvus_cliを実行する。表示される milvus_cli > プロンプトはコマンドラインの準備ができたことを示している。
図2](https://assets.zilliz.com/2_b50f5d2a5a.png)
M1チップを搭載したMacやPython環境のないPCを使っている場合は、代わりにポータブルアプリケーションを使うこともできる。そのためには、ダウンロード して、あなたのOSに対応するリリースページにあるファイルを chmod +x して実行可能な状態にし、./ を実行してください。
例
以下の例では milvus_cli-v0.1.8-fix2-macOS を実行可能にして実行している。
sudo chmod +x milvus_cli-v0.1.8-fix2-macOS
./milvus_cli-v0.1.8-fix2-macOS
使用法
Milvus に接続する
Milvusに接続する前に、Milvusがサーバにインストールされていることを確認してください。詳細はMilvus StandaloneのインストールまたはMilvus Clusterのインストールを参照してください。
Milvusがデフォルトポートでlocalhostにインストールされている場合、connectを実行する。
図3](https://assets.zilliz.com/3_f950d3739a.png)
それ以外の場合は、MilvusサーバのIPアドレスを指定して以下のコマンドを実行する。以下の例では、IPアドレスに172.16.20.3、ポート番号に19530を使用している。
connect -h 172.16.20.3
図4](https://assets.zilliz.com/5_95a88c1cbf.png)
コレクションの作成
このセクションでは、コレクションの作成方法を紹介します。
コレクションはエンティティで構成され、RDBMS のテーブルに似ています。詳細は用語集を参照してください。
図5](https://assets.zilliz.com/5_95a88c1cbf.png)
例
以下の例では、car という名前のコレクションを作成する。carコレクションには、id,vector,color,brandの4つのフィールドがある。主キーフィールドはid` である。詳細はcreate collectionを参照すること。
create collection -c car -f id:INT64:primary_field -f vector:FLOAT_VECTOR:128 -f color:INT64:color -f brand:INT64:brand -p id -a -d 'car_collection'.
コレクションをリストアップする
以下のコマンドを実行し、Milvusインスタンスの全コレクションをリストアップします。
コレクションのリスト
図6](https://assets.zilliz.com/6_1331f4c8bc.png)
以下のコマンドを実行して、carコレクションの詳細を確認する。
コレクションを記述する -c car
図7](https://assets.zilliz.com/7_1d70beee54.png)
2つのベクトル間の距離を計算する
以下のコマンドを実行して、carコレクションにデータをインポートする。
import -c car 'https://raw.githubusercontent.com/zilliztech/milvus_cli/main/examples/import_csv/vectors.csv'
図8](https://assets.zilliz.com/8_7609a4359a.png)
queryを実行し、プロンプトが表示されたら、コレクション名としてcar、クエリ式としてid>0` を入力する。以下の図に示すように、条件を満たすエンティティの ID が返される。
図9](https://assets.zilliz.com/9_f0755589f6.png)
calc`を実行し、プロンプトが表示されたら適切な値を入力して、ベクトル配列間の距離を計算する。
コレクションを削除する
以下のコマンドを実行して car コレクションを削除する。
コレクションを削除する -c car
図10](https://assets.zilliz.com/10_16b2b01935.png)
もっと見る
Milvus_CLIは上記の機能に限定されるものではありません。helpを実行するとMilvus_CLIに含まれる全てのコマンドとそれぞれの説明が表示されます。指定したコマンドの詳細を表示するには
図11](https://assets.zilliz.com/11_5f31ccb1e8.png)
参照:
Milvus Docs の Milvus_CLI コマンドリファレンス も参照してください。
Milvus_CLIがMilvusベクトルデータベースをより簡単に利用するための一助となれば幸いです。今後もMilvus_CLIを最適化していきますので、ご協力をお願いいたします。
ご質問がございましたら、GitHubのfile an issueまでお気軽にご連絡ください。
読み続けて
How to Choose the Best Embedding Model for RAG in 2026: 10 Models Benchmarked
We benchmarked 10 embedding models on cross-modal, cross-lingual, long-document, and dimension compression tasks. See which one fits your RAG pipeline.
How to Build an Enterprise-Ready RAG Pipeline on AWS with Bedrock, Zilliz Cloud, and LangChain
Build production-ready enterprise RAG with AWS Bedrock, Nova models, Zilliz Cloud, and LangChain. Complete tutorial with deployable code.
VidTok: Rethinking Video Processing with Compact Tokenization
VidTok tokenizes videos to reduce redundancy while preserving spatial and temporal details for efficient processing.