Начало работы с Milvus_CLI
В эпоху информационного взрыва мы постоянно создаем голосовые данные, изображения, видео и другие неструктурированные данные. Как эффективно анализировать этот огромный объем данных? Появление нейронных сетей позволяет встраивать неструктурированные данные в виде векторов, а база данных Milvus является базовым программным обеспечением для сервисов данных, которое помогает выполнять хранение, поиск и анализ векторных данных.
Но как быстро начать использовать векторную базу данных Milvus?
Некоторые пользователи жаловались, что API сложно запоминать, и надеялись, что для работы с базой данных Milvus появятся простые командные строки.
Мы рады представить Milvus_CLI — инструмент командной строки, предназначенный для векторной базы данных Milvus.
Milvus_CLI — это удобный CLI базы данных для Milvus, поддерживающий подключение к базе данных, импорт данных, экспорт данных и векторные вычисления с использованием интерактивных команд в оболочках. Последняя версия Milvus_CLI имеет следующие возможности.
Поддерживаются все платформы, включая Windows, Mac и Linux
Поддерживается онлайн- и офлайн-установка с помощью pip
Портативность, можно использовать где угодно
Создан на основе Milvus SDK for Python
Включена справочная документация
Поддерживается автодополнение
Установка
Вы можете установить Milvus_CLI как онлайн, так и офлайн.
Установка Milvus_CLI онлайн
Выполните следующую команду, чтобы установить Milvus_CLI онлайн с помощью pip. Требуется Python 3.8 или более поздней версии.
pip install milvus-cli
Установка Milvus_CLI офлайн
Чтобы установить Milvus_CLI офлайн, сначала загрузите последний tarball со страницы релизов.
Рисунок 1.
После загрузки tarball выполните следующую команду, чтобы установить Milvus_CLI.
pip install milvus_cli-<version>.tar.gz
После установки Milvus_CLI выполните milvus_cli. Появление приглашения milvus_cli > означает, что командная строка готова.
Рисунок 2.
Если вы используете Mac с чипом M1 или ПК без среды Python, вы можете вместо этого выбрать портативное приложение. Для этого загрузите файл на странице релизов, соответствующий вашей ОС, выполните chmod +x для файла, чтобы сделать его исполняемым, и выполните ./ для файла, чтобы запустить его.
Пример
В следующем примере milvus_cli-v0.1.8-fix2-macOS делается исполняемым и запускается.
sudo chmod +x milvus_cli-v0.1.8-fix2-macOS
./milvus_cli-v0.1.8-fix2-macOS
Использование
Подключение к Milvus
Перед подключением к Milvus убедитесь, что Milvus установлен на вашем сервере. См. Install Milvus Standalone или Install Milvus Cluster для получения дополнительной информации.
Если Milvus установлен на вашем localhost с портом по умолчанию, выполните connect.
Рисунок 3.
В противном случае выполните следующую команду с IP-адресом вашего сервера Milvus. В следующем примере в качестве IP-адреса используется 172.16.20.3, а в качестве номера порта — 19530.
connect -h 172.16.20.3
Рисунок 4.
Создание коллекции
В этом разделе рассказывается, как создать коллекцию.
Коллекция состоит из сущностей и похожа на таблицу в RDBMS. См. Glossary для получения дополнительной информации.
Рисунок 5.
Пример
В следующем примере создается коллекция с именем car. Коллекция car имеет четыре поля: id, vector, color и brand. Поле первичного ключа — id. См. create collection для получения дополнительной информации.
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'
Список коллекций
Выполните следующую команду, чтобы вывести список всех коллекций в этом экземпляре Milvus.
list collections
Рисунок 6.
Выполните следующую команду, чтобы проверить сведения о коллекции car.
describe collection -c car
Рисунок 7.
Рассчитайте расстояние между двумя векторами
Выполните следующую команду, чтобы импортировать данные в коллекцию car.
import -c car 'https://raw.githubusercontent.com/zilliztech/milvus_cli/main/examples/import_csv/vectors.csv'
Рисунок 8.
Выполните query и введите car в качестве имени коллекции и id>0 в качестве выражения запроса при появлении соответствующих запросов. Идентификаторы сущностей, соответствующих критериям, будут возвращены, как показано на следующем рисунке.
Рисунок 9.
Выполните calc и введите соответствующие значения при появлении запросов, чтобы рассчитать расстояния между массивами векторов.
Удалите коллекцию
Выполните следующую команду, чтобы удалить коллекцию car.
delete collection -c car
Рисунок 10.
Подробнее
Milvus_CLI не ограничивается приведенными выше функциями. Выполните help, чтобы просмотреть все команды, которые включает Milvus_CLI, и их соответствующие описания. Выполните <command> --help, чтобы просмотреть сведения о указанной команде.
Рисунок 11.
См. также:
Справочник команд Milvus_CLI в Milvus Docs
Мы надеемся, что Milvus_CLI поможет вам легко использовать векторную базу данных Milvus. Мы продолжим оптимизировать Milvus_CLI, и ваши вклады приветствуются.
Если у вас есть вопросы, не стесняйтесь создать issue на GitHub.
Читать далее
Migrating Self-Managed Milvus to Zilliz Cloud for >99% Latency Reduction
Step-by-step guide to migrating 50M vectors from self-managed Milvus to Zilliz Cloud using milvus-backup. Achieve >99% query latency reduction with zero data loss.
Introducing Zilliz MCP Server: Natural Language Access to Your Vector Database
Developers can easily manage and query vector databases with natural language via Zilliz MCP Server in AI-native environments.
Democratizing AI: Making Vector Search Powerful and Affordable
Zilliz democratizes AI vector search with Milvus 2.6 and Zilliz Cloud for powerful, affordable scalability, cutting costs in infrastructure, operations, and development.