本指南演示了如何使用 LlamaIndex 和 Milvus 構建一個檢索增強生成（RAG）系統。

RAG 系統將檢索系統與生成模型相結合，根據給定的提示生成新的文本。該系統首先使用 Milvus 等向量相似性搜索引擎從語料庫中檢索相關文檔，然后使用生成模型根據檢索到的文檔生成新的文本。

安裝依賴：

pip install llama-index-vector-stores-milvus -i https://mirrors.aliyun.com/pypi/simple/

加載數據

準備的數據：

《背影》作者：朱自清我與父親不相見已二年余了，我最不能忘記的是他的背影。那年冬天，祖母死了，父親的差使⑴也交卸了，正是禍不單行的日子。我從北京到徐州，打算跟著父親奔喪⑵回家。
到徐州見著父親，看見滿院狼藉⑶的東西，又想起祖母，不禁簌簌地流下眼淚。父親說：“事已如此，不必難過，好在天無絕人之路！”回家變賣典質⑷，父親還了虧空；又借錢辦了喪事。這些日子，家中光景很是慘澹⑸，一半為了喪事，一半為了父親賦閑⑹。
喪事完畢，父親要到南京謀事，我也要回北京念書，我們便同行。到南京時，有朋友約去游逛，勾留⑺了一日；第二日上午便須渡江到浦口，下午上車北去。父親因為事忙，本已說定不送我，
叫旅館里一個熟識的茶房⑻陪我同去。他再三囑咐茶房，甚是仔細。但他終于不放心，怕茶房不妥帖⑼；頗躊躇⑽了一會。
其實我那年已二十歲，北京已來往過兩三次，是沒有什么要緊的了。他躊躇了一會，終于決定還是自己送我去。我再三勸他不必去；
他只說：“不要緊，他們去不好！”我們過了江，進了車站。我買票，他忙著照看行李。行李太多了，得向腳夫⑾行些小費才可過去。
他便又忙著和他們講價錢。我那時真是聰明過分，總覺他說話不大漂亮，非自己插嘴不可，但他終于講定了價錢；
就送我上車。他給我揀定了靠車門的一張椅子；我將他給我做的紫毛大衣鋪好座位。他囑我路上小心，夜里要警醒些，
不要受涼。又囑托茶房好好照應我。我心里暗笑他的迂；他們只認得錢，托他們只是白托！而且我這樣大年紀的人，
難道還不能料理自己么？我現在想想，我那時真是太聰明了。我說道：“爸爸，你走吧。”他往車外看了看，說：“我買幾個橘子去。你就在此地，不要走動。”我看那邊月臺的柵欄外有幾個賣東西的等著顧客。
走到那邊月臺，須穿過鐵道，須跳下去又爬上去。父親是一個胖子，走過去自然要費事些。
我本來要去的，他不肯，只好讓他去。我看見他戴著黑布小帽，穿著黑布大馬褂⑿，深青布棉袍，蹣跚⒀地走到鐵道邊，慢慢探身下去，
尚不大難。可是他穿過鐵道，要爬上那邊月臺，就不容易了。他用兩手攀著上面，兩腳再向上縮；
他肥胖的身子向左微傾，顯出努力的樣子。這時我看見他的背影，我的淚很快地流下來了。我趕緊拭干了淚。
怕他看見，也怕別人看見。我再向外看時，他已抱了朱紅的橘子往回走了。過鐵道時，他先將橘子散放在地上，
自己慢慢爬下，再抱起橘子走。到這邊時，我趕緊去攙他。他和我走到車上，將橘子一股腦兒放在我的皮大衣上。
于是撲撲衣上的泥土，心里很輕松似的。過一會兒說：“我走了，到那邊來信！”我望著他走出去。他走了幾步，
回過頭看見我，說：“進去吧，里邊沒人。”等他的背影混入來來往往的人里，再找不著了，我便進來坐下，我的眼淚又來了。近幾年來，父親和我都是東奔西走，家中光景是一日不如一日。他少年出外謀生，獨力支持，
做了許多大事。哪知老境卻如此頹唐！他觸目傷懷，自然情不能自已。情郁于中，自然要發之于外；
家庭瑣屑便往往觸他之怒。他待我漸漸不同往日。但最近兩年不見，他終于忘卻我的不好，只是惦記著我，
惦記著我的兒子。我北來后，他寫了一信給我，信中說道：“我身體平安，惟膀子疼痛厲害，舉箸⒁提筆，諸多不便，
大約大去之期⒂不遠矣。”我讀到此處，在晶瑩的淚光中，又看見那肥胖的、青布棉袍黑布馬褂的背影。唉！我不知何時再能與他相見！

from llama_index.core import Settings, SimpleDirectoryReaderfrom my_llms.MyLLMsClients import MyLLMsClientsSettings.llm = MyLLMsClients.deepseek_client()
Settings.embed_model = MyLLMsClients.qwen_embeddings()# 加載數據
documents = SimpleDirectoryReader(input_files=["../data/散文/背影-朱自清.txt"], recursive=True).load_data()print("Document ID:", documents[0].doc_id)

創建數據索引

現在我們已經有了一個文檔，可以創建索引并插入該文檔。對于索引，我們將使用 MilvusVectorStore。

# 創建文檔索引
vector_store = MilvusVectorStore(uri="http://192.168.0.116:19530",collection_name="essay_collection",dim=1024,overwrite=True, # 是否覆蓋同名的已有集合。默認值為 False。
)storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents, storage_context=storage_context
)

查詢數據

# 創建查詢引擎并進行查詢
query_engine = index.as_query_engine()
res = query_engine.query("文章的作者是誰？")
print(res)

運行結果：

Document ID: 03d81861-1043-4f58-8923-8f03be77d066
2025-05-13 22:16:25,907 [DEBUG][_create_connection]: Created new connection using: 2b0fb6a2181146fa98956805fbf5d9ea (async_milvus_client.py:599)
文章的作者是朱自清。

Milvus數據庫中的變化

此時，執行代碼后，LlamaIndex在Milvus中使用的是默認數據庫"default"庫，并在此庫中創建了集合?essay_collection 。

集合Schema字段說明

• doc_id : document 文檔ID
• text: 文檔的文本內容
• embedding: 存儲的向量，并為向量創建了索引，索引名稱：embedding，索引類型：FLAT

從Milvus中查詢已有的數據

from llama_index.core import Settings, StorageContext, VectorStoreIndex
from llama_index.vector_stores.milvus import MilvusVectorStorefrom my_llms.MyLLMsClients import MyLLMsClientsSettings.llm = MyLLMsClients.deepseek_client()
Settings.embed_model = MyLLMsClients.qwen_embeddings()# 連接Milvus
vector_store = MilvusVectorStore(uri="http://192.168.0.116:19530",collection_name="essay_collection",dim=1024,overwrite=False, # 是否覆蓋同名的已有集合。默認值為 False。embedding_field='embedding',
)storage_context = StorageContext.from_defaults(vector_store=vector_store)# 從向量數據庫中加載索引
index = VectorStoreIndex.from_vector_store(vector_store, storage_context=storage_context
)#創建查詢引擎并進行查詢
query_engine = index.as_query_engine()
res = query_engine.query("作者多久沒有見到老爹了？")
print(res)

2025-05-13 23:28:14,478 [DEBUG][_create_connection]: Created new connection using: c3cbdd7fe28c4a81803a302e8d95862d (async_milvus_client.py:599)
作者已經兩年多沒有見到父親了。