すべてのプロダクト
Search

このプロダクト

    Vector Retrieval Service for Milvus:Skill によるクラスター管理と業務検証

    ドキュメントセンター

    Vector Retrieval Service for Milvus:Skill によるクラスター管理と業務検証

    最終更新日:May 10, 2026

    alibabacloud-milvus-manage Skill を使用すると、自然言語コマンドでクラスターの作成、ステータス確認、パブリックネットワークアクセスの構成、コレクションの管理、およびテキスト・スカラー・ベクトル検索、BM25 全文検索、マルチパスハイブリッド検索を実行できます。さらに、テキストによる画像検索のための画像インポートや、クロスモーダル検索のための音声/動画の共同インポートといった主要機能も実装可能です。

    前提条件

    • alibabacloud-milvus-manage Skill がインストール済みである必要があります。以下の場所から入手できます。

    • 以下のクライアントで Skill をインストールできます。

    • Alibaba Cloud コマンドラインインターフェイス (CLI) が設定済みで、ID 認証が完了している必要があります。aliyun configure list を実行して現在の設定を確認してください。

    • Virtual Private Cloud (VPC) および vSwitch が準備済みである必要があります。Skill 実行時に既存のネットワークリソースを選択するよう案内されます。

    • Milvus サービスリンクロール (SLR) が作成済みである必要があります。Milvus を初めて使用する際は、AliyunServiceRoleForCloudMilvus および AliyunServiceRoleForMilvus を作成する必要があります。

    ユースケース

    alibabacloud-milvus-manage Skill は、クラスター管理とサービス検証の 2 つのカテゴリに分かれた、計 8 つのエンドツーエンド検証シナリオをカバーしています。

    シナリオ 1：クラスター管理

    クラスターの作成

    Skill クライアントで自然言語コマンドを入力し、Milvus インスタンスを作成します。Skill は自動的に VPC および vSwitch を選択し、コンポーネントの仕様を構成したうえでインスタンスを作成します。

    例となる Skill コマンド：

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

    結果：

    // Skill が自動的に VPC/VSwitch 選択およびコンポーネント仕様構成を完了し、create API を呼び出します
// 応答：
{"success": true, "data": {"instanceId": "c-xxxxxxxxxxxx****", "orderId": "28456242743****"}}

// 作成パラメーター：
// - リージョン：cn-hangzhou、ゾーン：cn-hangzhou-j
// - バージョン：2.6、仕様：standalone_pro、4 CU
// - 課金方法：従量課金制

    インスタンスステータスの確認

    インスタンス作成後、Skill を使用して実行ステータス、エンドポイント、仕様詳細を確認します。

    例となる Skill コマンド：

    /alibabacloud-milvus-manage Check the creation status

    結果：

    // Skill が list API および detail API を呼び出してインスタンスステータスをクエリします

インスタンスリスト：
c-xxxxxxxxxxxx**** | milvus-skill-test | status=running | v=2.6

インスタンス詳細：
- 内部エンドポイント：c-xxxxxxxxxxxx****-internal.milvus.aliyuncs.com
- ポート：19530
- 合計 CU：4
- インスタンスステータス：running（作成中から実行中に変化するまで約 3 分かかります）

    パブリックネットワークアクセスの有効化

    インスタンスに対してパブリックネットワークアクセスを有効化し、ローカル開発またはテスト接続用に IP ホワイトリストを構成します。

    例となる Skill コマンド：

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

    結果：

    // Skill が自動的にローカル IP を取得し、updatePublicNetworkStatus API を呼び出します

パブリックネットワークアクセスが有効化されました：
- パブリックエンドポイント：c-xxxxxxxxxxxx****.milvus.aliyuncs.com:19530
- ホワイトリスト：<local_public_IP>/32

    コレクションのクエリ

    インスタンスに接続し、すべてのコレクションの基本情報およびサンプルデータをクエリします。

    例となる Skill コマンド：

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

    結果：

    // Skill が pymilvus を使用してインスタンスに接続し、コレクションリストをクエリします

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

コレクションリスト：[]（新規インスタンスにはコレクションが存在しないため、期待通りです）

    シナリオ 2：サービス検証

    テキストインポートおよび検索検証

    Milvus にテキストデータをインポートし、スカラー検索、ベクトル検索、ハイブリッド検索を検証します。Skill は AI Function 搭載の自動埋め込み機能によりコレクションを自動作成し、データを挿入したうえで複数種類の検索を実行します。

    例となる Skill コマンド：

    /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

    <data_file_path> は JSONL ファイルの実際のパスに置き換えてください。ファイル内の各行は title および content フィールドを含む JSON オブジェクトです。

    結果：

    // Skill が自動的に article_db コレクションを作成（AI Function：text-embedding-v3、768 ディメンション）
// 10 件の記事レコードを挿入（テキストのみ提供され、埋め込みは自動生成）

コレクション作成完了：article_db
  フィールド：id、title、content、embedding
  AI Function：text-embedding-v3（dim=768）

データ挿入完了：10 レコード

    Skill は自動的に以下の検索検証を実行します：スカラー検索（フィールド値に基づく完全一致またはあいまい一致、例：title like "%vector%"）、ベクトル検索（セマンティック類似性に基づく近似最近傍検索）、およびハイブリッド検索（ベクトル検索とスカラーフィルター条件の組み合わせ）。

    説明

    Milvus AI Embedding を使用してベクトルデータ処理および検索を行うことを推奨します。

    • バージョン要件：Milvus インスタンスのバージョンは 2.6 以上である必要があります。

    • 代替手段：現在のインスタンスバージョンがこの機能をサポートしていない場合は、事前処理済みのベクトルデータを提供してください。

    // スカラー検索：title like "%vector%"
結果：「Introduction to Vector Databases」が見つかりました

// ベクトル検索：「What is machine learning and deep learning」
結果：
  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）

// ハイブリッド検索：「database technologies」 + filter='content like "%vector%"'
結果：
  top1：「Introduction to Vector Databases」         （distance=0.6001）
  top2：「Milvus Best Practices」     （distance=0.5276）

    全文検索およびハイブリッド検索

    BM25 全文検索および text-embedding-v3 セマンティックベクトルの両方を構成したコレクションを作成し、複数の検索手法を組み合わせた効果を検証します。Milvus 2.6 の AI Function は BM25 と埋め込みの同時構成をサポートしており、生テキストを挿入するだけで両方のベクトルが自動生成されます。

    例となる Skill コマンド：

    /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

    結果：

    // Skill が hybrid_search_test コレクションを作成
// BM25 Function（中国語アナライザー）および text-embedding-v3 AI Function（1024 ディメンション）を構成
// 10 件の記事レコードを挿入（テキストのみ提供され、BM25 疎ベクトルおよび埋め込み密ベクトルが自動生成）

コレクション作成完了：hybrid_search_test
  BM25 Function：content_sparse（中国語アナライザー）
  AI Function：text-embedding-v3（dim=1024）

データ挿入完了：10 レコード

    Skill は自動的に以下の 5 種類の検索検証を実行します：ベクトル検索（text-embedding-v3 に基づくセマンティック取得）、スカラー検索（フィールド値に基づくあいまい一致）、BM25 全文検索（BM25 アルゴリズムに基づくキーワード取得）、全文＋埋め込みハイブリッド検索（BM25 およびベクトル検索を RRFRanker で融合）、および三方向ハイブリッド検索（BM25 ＋スカラーフィルター＋ベクトル近似最近傍検索を RRFRanker で融合）。

    // ベクトル検索：「How to build a semantic search system」
結果：
  top1：「Introduction to Vector Databases」         （distance=0.5575）
  top2：「Milvus Best Practices」     （distance=0.5402）

// スカラー検索：content like "%Milvus%"
結果：「Introduction to Vector Databases」と「Milvus Best Practices」が見つかりました

// BM25 全文検索：「vector database semantic search」
結果：
  top1：「Introduction to Vector Databases」         （BM25 score=13.3037）

// 全文＋埋め込みハイブリッド検索（RRFRanker）：「deep learning and neural networks」
結果：
  top1：「Summary of Machine Learning Algorithms」       （score=0.0328）

// 三方向ハイブリッド検索（BM25 ＋スカラーフィルター＋ベクトル近似最近傍検索、RRFRanker）：
//   BM25＝「index retrieval vector」、filter＝'title contains Milvus or vector'、ANN＝「database indexing and retrieval technologies」
結果：
  top1：「Introduction to Vector Databases」         （score=0.0325）
  top2：「Milvus Best Practices」     （score=0.0325）

    イメージのインポートおよび検索

    Milvus にイメージデータをインポートし、qwen3-vl-embedding マルチモーダル埋め込みモデルを通じて自動的に埋め込みを生成し、テキストによる画像検索を検証します。この例で使用する画像はこちらからダウンロードできます。

    例となる Skill コマンド：

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

    <image_directory_path> はイメージディレクトリの実際のパスに置き換えてください。Milvus サーバーはイメージ URL にアクセスできる必要があります。同一リージョンの OSS バケットにイメージをアップロードし、署名付き URL を使用することを推奨します。

    結果：

    // Skill が multimodal_test コレクションを作成
// qwen3-vl-embedding マルチモーダルモデルを使用して埋め込みを自動生成
// 同一リージョンの OSS にイメージをアップロードし、署名付き URL を Milvus に渡します

コレクション作成完了：multimodal_test
  フィールド：id、file_path、file_type、description、mm_value、embedding
  AI Function：qwen3-vl-embedding

データ挿入完了：6 レコード（バナナ画像 3 件＋猫画像 2 件＋飛行機動画 1 件）

// テキストによる画像検索：「yellow banana」
結果：
  top1：banana/img2  （distance=0.5005）
  top2：banana/img3  （distance=0.4953）
  top3：banana/img1  （distance=0.4882）

// テキストによる画像検索：「cute cat」
結果：
  top1：cat2         （distance=0.5265）
  top2：cat1         （distance=0.4893）

    クロスモーダル検索

    イメージと動画を同時にインポートし、イメージ間検索およびイメージから動画への検索を含むクロスモーダル取得機能を検証します。

    例となる Skill コマンド：

    /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

    結果：

    // イメージ間検索：cat1 イメージ URL を使用して類似イメージを検索
結果：
  top1：cat1         （distance=0.9996）
  top2：cat2         （distance=0.9476）
  top3：banana/img1  （distance=0.7483）

// イメージから動画への検索：cat1 イメージ URL を使用＋filter='file_type=="video"'
結果：
  top1：airplane.mp4 （distance=0.7180）