Quick start for vector search - Vector Retrieval Service for Milvus: Central de Documentação do Alibaba Cloud

A busca vetorial é uma tecnologia essencial para pesquisas de similaridade eficientes. Este tópico demonstra como realizar rapidamente uma busca vetorial com exemplos detalhados.

Pré-requisitos

Considerações

O Vector Retrieval Service for Milvus (Milvus) oferece suporte a conexões via redes internas e pela Internet. Antes de conectar-se a uma instância do Milvus, verifique se o cliente tem as permissões de acesso à rede necessárias. Para mais informações, consulte Configurações de segurança e acesso à rede.

Procedimento

Etapa 1: Conectar-se a uma instância do Milvus

Use o código abaixo para conectar-se à instância do Milvus.

from pymilvus import MilvusClient

# Create a Milvus client.
client = MilvusClient(
    uri="http://c-xxxx.milvus.aliyuncs.com:19530",  # The public endpoint of the Milvus instance.
    token="<yourUsername>:<yourPassword>",  # The username and password used to authenticate with the Milvus instance.
    db_name="default"  # The target database name. Defaults to "default".
)

Etapa 2: Criar uma coleção

Execute o código a seguir para criar uma coleção. Para obter detalhes sobre parâmetros personalizados, consulte Gerenciar coleções.

client.create_collection(
    collection_name="demo",  # The name of the collection.
    dimension=5  # The vector dimension.
)

Esse trecho define o nome da coleção e a dimensão do vetor, além de aplicar as seguintes configurações padrão:

O campo de chave primária chama-se id e o campo vetorial chama-se vector.
A propriedade metric_type tem o valor COSINE.
O campo de chave primária id é um número inteiro sem incremento automático.
Um campo adicional $meta armazena dados de campos não definidos no schema como pares chave-valor.

Etapa 3: Inserir dados

Após a criação da coleção, o sistema carrega automaticamente a coleção e seu índice na memória. Use o código abaixo para inserir dados de teste na coleção.

Inserir um pequeno volume de dados

Este exemplo insere 10 entidades predefinidas. Cada entidade contém um vetor fixo e um rótulo de cor.

data=[{'id': 0, 'vector': [-0.493313706583155, -0.172001225836391, 0.16825615330139554, -0.0198911518739604, -0.9756816265213708], 'color': 'green_5760'}, {'id': 1, 'vector': [0.6695699219225086, 0.49952523907354496, -0.49870548178008534, 0.8824655547230731, -0.7182693622931615], 'color': 'blue_2330'}, {'id': 2, 'vector': [-0.6057771959702387, 0.9141473782193543, 0.32053983678483466, -0.32126010092015655, 0.725222856037071], 'color': 'grey_9673'}, {'id': 3, 'vector': [0.14082089434165868, 0.9924029949938447, 0.7943279666144052, -0.7898608705081103, -0.9941425813199956], 'color': 'white_2829'}, {'id': 4, 'vector': [-0.46180540826224026, 0.33216876051895783, 0.5786699695956004, 0.8891120357625131, 0.04872530176990697], 'color': 'pink_9061'}, {'id': 5, 'vector': [-0.6097452740606673, 0.35648319550551144, -0.5699789153006387, 0.15085357921088316, -0.8817226997144627], 'color': 'pink_8525'}, {'id': 6, 'vector': [0.7843522543512762, -0.7663837586858071, -0.8681839054724569, 0.6880645348647785, -0.5151293183261791], 'color': 'green_5016'}, {'id': 7, 'vector': [-0.9967116931989293, 0.5741923070732655, -0.019126124261334976, -0.34163875885482753, -0.8189843931354175], 'color': 'brown_7434'}, {'id': 8, 'vector': [0.7347243385915765, -0.7358853080124825, -0.23737428377511716, 0.06980552357261627, -0.30613964550461437], 'color': 'blue_5059'}, {'id': 9, 'vector': [-0.21187155428455862, -0.3288541717216129, -0.32564136453418824, -0.14054963599686743, 0.5491320339870627], 'color': 'yellow_9887'}]

res = client.insert(
    collection_name="demo",
    data=data
)

Inserir mais dados

O código abaixo usa list comprehension para gerar múltiplas entidades. Os vetores e os rótulos de cor dessas entidades são gerados aleatoriamente.

import random

colors = ["green", "blue", "yellow", "red", "black", "white", "purple", "pink", "orange", "brown", "grey"]
data = [ {
    "id": i, 
    "vector": [ random.uniform(-1, 1) for _ in range(5) ], 
    "color": f"{random.choice(colors)}_{str(random.randint(1000, 9999))}" 
} for i in range(1000) ]

res = client.insert(
    collection_name="demo",
    data=data[1:]
)

print(res)

Etapa 4: Executar uma busca vetorial

Importante

A inserção de dados é um processo assíncrono. O índice de busca não é atualizado imediatamente após a inserção. Para consultar os dados mais recentes, aguarde alguns segundos até que o índice seja atualizado antes de realizar a busca.

Busca por vetor único

Para realizar uma pesquisa de similaridade com um único vetor, forneça um vetor de consulta.

query_vectors = [
[-0.8832567462711804, -0.2999882617491647, 0.9921295273224382, -0.272575369985379, -0.688914679645338]
]

res = client.search(
    collection_name="demo",     # The collection to query.
    data=query_vectors,                # The query vectors.
    limit=3,                           # The number of entities to return.
)

print(res)

Busca vetorial em lote

Realize pesquisas de similaridade em lote fornecendo uma lista de vetores de consulta.

query_vectors = [
[0.06586461994037252, 0.7693023529849932, 0.8199991781350795, -0.6988017611187176, 0.408383847889378],
[0.8988257992203861, 0.021911711196309414, 0.19086900086430836, 0.63590610476426, -0.6713237387993141]
]

res = client.search(
    collection_name="demo",
    data=query_vectors,
    limit=3,
)

print(res)

Etapa 5: Buscar com filtro

Use os campos definidos no schema para configurar condições de filtragem. Essa prática restringe o escopo da busca e aumenta a eficiência da pesquisa.

Filtrar com base em um campo numérico

O exemplo a seguir mostra como aplicar filtros baseados no intervalo numérico do campo id.

query_vectors = [
[-0.30932351869632435, -0.7132856078639205, 0.6006201320181415, 0.40140510356426784, -0.21223937444001328]
]

res = client.search(
    collection_name="demo",
    data=query_vectors,
    filter="3 < id < 5",  # Filters for IDs within the range (3, 5).
    limit=3
)

print(res)

Filtrar com base em um campo de metadados ($meta)

Neste exemplo, a busca retorna registros cuja propriedade color começa com "green". Além disso, o exemplo especifica que o campo color deve constar na saída.

query_vectors = [
[0.9636568288732006, -0.5900490884830603, 0.2504591754023724, 0.7120903924474389, 0.7620604497390009]
]

res = client.search(
    collection_name="demo",
    data=query_vectors,
    filter='$meta["color"] like "green%"',  # Filters for records where the 'color' metadata starts with "green".
    limit=3,
    output_fields=["color"]   # Specifies which fields to return in the output.
)

print(res)