Vector Retrieval Service for Milvus:Manajemen kluster dan validasi bisnis melalui Skill

Prasyarat

• Anda telah menginstal Skill alibabacloud-milvus-manage. Anda dapat memperolehnya dari:

  • GitHub

  • ClawHub

  • skills.sh

• Anda dapat menginstal Skill di klien berikut:

  • Install Skill in OpenClaw

  • Install Skill in Claude Code

• Anda telah mengonfigurasi Alibaba Cloud Command Line Interface (CLI) dan mengautentikasi identitas Anda. Jalankan aliyun configure list untuk melihat konfigurasi saat ini.

• Anda telah menyiapkan Virtual Private Cloud (VPC) dan vSwitch. Skill akan memandu Anda memilih sumber daya jaringan yang sudah ada selama eksekusi.

• Anda telah membuat peran terkait layanan (SLR) Milvus. Saat pertama kali menggunakan Milvus, Anda harus membuat AliyunServiceRoleForCloudMilvus dan AliyunServiceRoleForMilvus.

Kasus penggunaan

Skill alibabacloud-milvus-manage mencakup delapan skenario validasi end-to-end, yang dibagi menjadi dua kategori: manajemen kluster dan validasi layanan.

Skenario 1: Manajemen kluster

Membuat kluster

Masukkan perintah bahasa alami di klien Skill untuk membuat instans Milvus. Skill secara otomatis memilih VPC dan vSwitch, mengonfigurasi spesifikasi komponen, lalu membuat instans tersebut.

Contoh perintah Skill:

/alibabacloud-milvus-manage Create a Milvus instance of version 2.6 in Hangzhou zone J with password <custom_password>

Hasil:

// Skill secara otomatis menyelesaikan pemilihan VPC/VSwitch dan konfigurasi spesifikasi komponen, lalu memanggil API create
// Respons:
{"success": true, "data": {"instanceId": "c-xxxxxxxxxxxx****", "orderId": "28456242743****"}}

// Parameter pembuatan:
// - Wilayah: cn-hangzhou, Zona: cn-hangzhou-j
// - Versi: 2.6, Spesifikasi: standalone_pro, 4 CU
// - Metode penagihan: PayAsYouGo

Lihat status instans

Setelah instans dibuat, gunakan Skill untuk melihat status berjalannya, titik akhir (endpoint), dan detail spesifikasinya.

Contoh perintah Skill:

/alibabacloud-milvus-manage Check the creation status

Hasil:

// Skill memanggil API list dan API detail untuk mengkueri status instans

Daftar instans:
c-xxxxxxxxxxxx**** | milvus-skill-test | status=running | v=2.6

Detail instans:
- Titik akhir internal: c-xxxxxxxxxxxx****-internal.milvus.aliyuncs.com
- Port: 19530
- Total CU: 4
- Status instans: running (berubah dari creating ke running dalam waktu sekitar 3 menit)

Aktifkan akses jaringan publik

Aktifkan akses jaringan publik untuk instans dan konfigurasikan daftar putih IP untuk koneksi pengembangan atau pengujian lokal.

Contoh perintah Skill:

/alibabacloud-milvus-manage Enable public network access for the cluster and add my local IP

Hasil:

// Skill secara otomatis mengambil IP lokal dan memanggil API updatePublicNetworkStatus

Akses jaringan publik diaktifkan:
- Titik akhir publik: c-xxxxxxxxxxxx****.milvus.aliyuncs.com:19530
- Daftar putih: <local_public_IP>/32

Koleksi Kueri

Hubungkan ke instans dan kueri informasi dasar serta data sampel untuk semua koleksi.

Contoh perintah Skill:

/alibabacloud-milvus-manage Query all collections and show 3 records for each

Hasil:

// Skill terhubung ke instans menggunakan pymilvus dan mengkueri daftar koleksi

Koneksi: MilvusClient(uri='http://c-xxxxxxxxxxxx****.milvus.aliyuncs.com:19530', token='root:***')

Daftar koleksi: [] (instans baru tidak memiliki koleksi, sesuai ekspektasi)

Skenario 2: Validasi layanan

Impor teks dan validasi pencarian

Impor data teks ke Milvus dan validasi pencarian skalar, pencarian vektor, serta pencarian hibrida. Skill secara otomatis membuat koleksi dengan penyematan otomatis berbasis AI Function, memasukkan data, lalu menjalankan berbagai jenis pencarian.

Contoh perintah Skill:

/alibabacloud-milvus-manage I have a <data_file_path>/articles.jsonl
file where each line contains title, content, and embedding fields. Import it into the article_db collection;
create it if it doesn't exist. After importing, randomly construct scalar search and vector search tests based on the file content

Hasil:

// Skill secara otomatis membuat koleksi article_db (dengan AI Function: text-embedding-v3, dimensi 768)
// Memasukkan 10 catatan artikel (hanya teks yang disediakan; embedding dihasilkan secara otomatis)

Koleksi dibuat: article_db
  Bidang: id, title, content, embedding
  AI Function: text-embedding-v3 (dim=768)

Data dimasukkan: 10 catatan

Skill secara otomatis melakukan validasi pencarian berikut: pencarian skalar (pencocokan tepat atau kabur berdasarkan nilai bidang, seperti title like "%vector%"), pencarian vektor (pencarian ANN berdasarkan kemiripan semantik), dan pencarian hibrida (pencarian vektor dikombinasikan dengan kondisi filter skalar).

// Pencarian skalar: title like "%vector%"
Hasil: ditemukan "Introduction to Vector Databases"

// Pencarian vektor: "What is machine learning and deep learning"
Hasil:
  top1: "Summary of Machine Learning Algorithms"       (distance=0.7125)
  top2: "Natural Language Processing Technologies"       (distance=0.5164)
  top3: "Introduction to Vector Databases"         (distance=0.4779)

// Pencarian hibrida: "database technologies" + filter='content like "%vector%"'
Hasil:
  top1: "Introduction to Vector Databases"         (distance=0.6001)
  top2: "Milvus Best Practices"     (distance=0.5276)

Pencarian teks lengkap dan pencarian hibrida

Buat koleksi yang dikonfigurasi dengan pencarian teks lengkap BM25 dan vektor semantik text-embedding-v3, lalu validasi efek gabungan dari berbagai metode pencarian. AI Function di Milvus 2.6 mendukung konfigurasi BM25 dan embedding secara simultan. Anda hanya perlu memasukkan teks mentah, dan kedua jenis vektor akan dihasilkan secara otomatis.

Contoh perintah Skill:

/alibabacloud-milvus-manage I want to do Chinese full-text search in Milvus. Create a new collection with title
and content text fields, use BM25 for full-text search, and add text-embedding-v3 for semantic search with
1024 dimensions. After creation, insert all data from the file, then test vector search, scalar search, full-text + embedding
hybrid search, and full-text + scalar + vector hybrid search using content from the file

Hasil:

// Skill membuat koleksi hybrid_search_test
// Mengonfigurasi fungsi BM25 (alat analisis bahasa Tionghoa) dan AI Function text-embedding-v3 (1024 dimensi)
// Memasukkan 10 catatan artikel (hanya teks yang disediakan; vektor sparse BM25 dan vektor padat embedding dihasilkan secara otomatis)

Koleksi dibuat: hybrid_search_test
  Fungsi BM25: content_sparse (alat analisis bahasa Tionghoa)
  AI Function: text-embedding-v3 (dim=1024)

Data dimasukkan: 10 catatan

Skill secara otomatis melakukan lima jenis validasi pencarian: pencarian vektor (pengambilan semantik berdasarkan text-embedding-v3), pencarian skalar (pencocokan kabur berdasarkan nilai bidang), pencarian teks lengkap BM25 (pengambilan kata kunci berdasarkan algoritma BM25), pencarian hibrida teks lengkap + embedding (BM25 dan pencarian vektor digabungkan dengan RRFRanker), serta pencarian hibrida tiga arah (BM25 + filter skalar + ANN vektor digabungkan dengan RRFRanker).

// Pencarian vektor: "How to build a semantic search system"
Hasil:
  top1: "Introduction to Vector Databases"         (distance=0.5575)
  top2: "Milvus Best Practices"     (distance=0.5402)

// Pencarian skalar: content like "%Milvus%"
Hasil: ditemukan "Introduction to Vector Databases" dan "Milvus Best Practices"

// Pencarian teks lengkap BM25: "vector database semantic search"
Hasil:
  top1: "Introduction to Vector Databases"         (skor BM25=13.3037)

// Pencarian hibrida teks lengkap + embedding (RRFRanker): "deep learning and neural networks"
Hasil:
  top1: "Summary of Machine Learning Algorithms"       (skor=0.0328)

// Pencarian hibrida tiga arah (BM25 + filter skalar + ANN vektor, RRFRanker):
//   BM25="index retrieval vector", filter='title contains Milvus or vector', ANN="database indexing and retrieval technologies"
Hasil:
  top1: "Introduction to Vector Databases"         (skor=0.0325)
  top2: "Milvus Best Practices"     (skor=0.0325)

Impor gambar dan pencarian

Impor data gambar ke Milvus, hasilkan embedding secara otomatis melalui model embedding multimoda qwen3-vl-embedding, lalu validasi pencarian teks-ke-gambar. Gambar yang digunakan dalam contoh ini dapat diunduh dari sini.

Contoh perintah Skill:

/alibabacloud-milvus-manage Import all images from the <image_directory_path>/banana
directory, then try searching with "yellow banana"

Hasil:

// Skill membuat koleksi multimodal_test
// Menggunakan model multimodal qwen3-vl-embedding untuk menghasilkan embedding secara otomatis
// Mengunggah gambar ke OSS di wilayah yang sama, lalu meneruskan URL yang ditandatangani ke Milvus

Koleksi dibuat: multimodal_test
  Bidang: id, file_path, file_type, description, mm_value, embedding
  AI Function: qwen3-vl-embedding

Data dimasukkan: 6 catatan (3 gambar pisang + 2 gambar kucing + 1 video pesawat)

// Pencarian teks-ke-gambar: "yellow banana"
Hasil:
  top1: banana/img2  (distance=0.5005)
  top2: banana/img3  (distance=0.4953)
  top3: banana/img1  (distance=0.4882)

// Pencarian teks-ke-gambar: "cute cat"
Hasil:
  top1: cat2         (distance=0.5265)
  top2: cat1         (distance=0.4893)

Pencarian lintas modal

Impor gambar dan video secara bersamaan, lalu validasi kemampuan pengambilan lintas modal termasuk pencarian gambar-ke-gambar dan pencarian gambar-ke-video.

Contoh perintah Skill:

/alibabacloud-milvus-manage First import 2 files from the tiger_cat directory and airplane1.mp4 into the database,
then use any file from tiger_cat to search for similar product images and return the top 3. Then use an image to search for similar videos

Hasil:

// Pencarian gambar-ke-gambar: cari gambar serupa menggunakan URL gambar cat1
Hasil:
  top1: cat1         (distance=0.9996)
  top2: cat2         (distance=0.9476)
  top3: banana/img1  (distance=0.7483)

// Pencarian gambar-ke-video: cari menggunakan URL gambar cat1 + filter='file_type=="video"'
Hasil:
  top1: airplane.mp4 (distance=0.7180)