블로그
Milvus_CLI 시작하기

Milvus_CLI 시작하기

Dec 31, 20213 min read

정보 폭발의 시대에 우리는 음성, 이미지, 동영상 및 기타 비정형 데이터를 끊임없이 생성하고 있습니다. 이 방대한 양의 데이터를 어떻게 효율적으로 분석할 수 있을까요? 신경망의 등장은 비정형 데이터를 벡터로 임베딩할 수 있게 해주며, Milvus 데이터베이스는 벡터 데이터의 저장, 검색 및 분석을 완료하는 데 도움을 주는 기본 데이터 서비스 소프트웨어입니다.

그렇다면 Milvus 벡터 데이터베이스를 어떻게 빠르게 사용할 수 있을까요?

일부 사용자들은 API를 외우기 어렵다고 불만을 제기하며, Milvus 데이터베이스를 조작할 수 있는 간단한 명령줄이 있기를 희망했습니다.

Milvus 벡터 데이터베이스 전용 명령줄 도구인 Milvus_CLI를 소개하게 되어 매우 기쁩니다.

Milvus_CLI는 Milvus를 위한 편리한 데이터베이스 CLI로, 셸에서 대화형 명령을 사용하여 데이터베이스 연결, 데이터 가져오기, 데이터 내보내기 및 벡터 계산을 지원합니다. Milvus_CLI의 최신 버전에는 다음과 같은 기능이 있습니다.

Windows, Mac, Linux를 포함한 모든 플랫폼 지원
pip를 통한 온라인 및 오프라인 설치 지원
휴대 가능하며 어디서나 사용 가능
Milvus SDK for Python 기반
도움말 문서 포함
자동 완성 지원

설치

Milvus_CLI는 온라인 또는 오프라인으로 설치할 수 있습니다.

Milvus_CLI 온라인 설치

pip를 사용하여 Milvus_CLI를 온라인으로 설치하려면 다음 명령을 실행하세요. Python 3.8 이상이 필요합니다.

pip install milvus-cli

Milvus_CLI 오프라인 설치

Milvus_CLI를 오프라인으로 설치하려면 먼저 릴리스 페이지에서 최신 tarball을 다운로드하세요.

그림 1.

tarball이 다운로드된 후 다음 명령을 실행하여 Milvus_CLI를 설치하세요.

pip install milvus_cli-<version>.tar.gz

Milvus_CLI가 설치된 후 milvus_cli를 실행하세요. milvus_cli > 프롬프트가 나타나면 명령줄이 준비되었음을 의미합니다.

그림 2.

M1 칩이 탑재된 Mac을 사용 중이거나 Python 환경이 없는 PC를 사용 중이라면, 대신 포터블 애플리케이션을 사용하도록 선택할 수 있습니다. 이를 위해 릴리스 페이지에서 사용 중인 OS에 해당하는 파일을 다운로드하고, 파일에 chmod +x를 실행하여 실행 가능하게 만든 다음, 파일에 ./를 실행하여 실행하세요.

예시

다음 예시는 milvus_cli-v0.1.8-fix2-macOS를 실행 가능하게 만들고 실행합니다.

sudo chmod +x milvus_cli-v0.1.8-fix2-macOS
./milvus_cli-v0.1.8-fix2-macOS

사용법

Milvus에 연결

Milvus에 연결하기 전에 Milvus가 서버에 설치되어 있는지 확인하세요. 자세한 내용은 Install Milvus Standalone 또는 Install Milvus Cluster를 참조하세요.

Milvus가 기본 포트로 localhost에 설치되어 있다면 connect를 실행하세요.

그림 3.

그렇지 않으면 Milvus 서버의 IP 주소와 함께 다음 명령을 실행하세요. 다음 예시는 IP 주소로 172.16.20.3, 포트 번호로 19530을 사용합니다.

connect -h 172.16.20.3

그림 4.

컬렉션 생성

이 섹션에서는 컬렉션을 생성하는 방법을 소개합니다.

컬렉션은 엔티티로 구성되며 RDBMS의 테이블과 유사합니다. 자세한 내용은 Glossary를 참조하세요.

그림 5.

예시

다음 예시는 car라는 컬렉션을 생성합니다. car 컬렉션에는 id, vector, color, brand라는 네 개의 필드가 있습니다. 기본 키 필드는 id입니다. 자세한 내용은 create collection을 참조하세요.

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'

컬렉션 나열

이 Milvus 인스턴스의 모든 컬렉션을 나열하려면 다음 명령을 실행하세요.

list collections

그림 6.

car 컬렉션의 세부 정보를 확인하려면 다음 명령을 실행하세요.

describe collection -c car

그림 7.

두 벡터 간의 거리 계산

car 컬렉션으로 데이터를 가져오려면 다음 명령을 실행하세요.

import -c car 'https://raw.githubusercontent.com/zilliztech/milvus_cli/main/examples/import_csv/vectors.csv'

그림 8.

query를 실행하고 프롬프트가 표시되면 컬렉션 이름으로 car를, 쿼리 표현식으로 id>0을 입력하세요. 조건을 충족하는 엔터티의 ID가 다음 그림과 같이 반환됩니다.

그림 9.

calc를 실행하고 프롬프트가 표시되면 적절한 값을 입력하여 벡터 배열 간의 거리를 계산하세요.

컬렉션 삭제

car 컬렉션을 삭제하려면 다음 명령을 실행하세요.

delete collection -c car

그림 10.

계속 읽기

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.

Zilliz Named "Highest Performer" and "Easiest to Use" in G2's Summer 2025 Grid® Report for Vector Databases

Zilliz shines in G2's Summer 2025 Grid® Report as both "Highest Performer" and "Easiest to Use," solving the performance-usability dilemma.

What is the K-Nearest Neighbors (KNN) Algorithm in Machine Learning?

KNN is a supervised machine learning technique and algorithm for classification and regression. This post is the ultimate guide to KNN.