跳到主要内容
版本：v3.0.x

Milvus 路线图

🌌 迈向新一代多模态数据库和向量 Lakebase​

Milvus 产品路线图

欢迎阅读 Milvus 路线图！

我们正引领 Milvus 迈入一个新时代——新一代多模态数据库**——其覆盖范围从结构化数据到非结构化数据，从实时检索到离线分析，从单集群性能到全球化的** Vector Lakebase 架构。

本路线图概述了Milvus v3.0（公开测试版）和Milvus v3.1（长期开发版）的核心目标，以及Zilliz Vector Lakebase 的演进计划。

🌠 Milvus v3.0（公开测试版）​

公开测试版：2026 年 5 月

重点：构建具备引擎内排序、聚合和多向量检索功能的语义原生查询引擎，以及Zilliz Vector Lakebase 的湖原生基础架构，使计算无需数据迁移即可直接访问数据。

🎯 主要亮点​

🔹Schema 与数据类型演进​

  • 支持在运行时执行 ALTER Collection ADD COLUMN 和 删除 Collection 操作，无需重建索引或中断服务。
  • 为新列提供两种补全路径：通过 Spark Connector 进行的外部补全，以及在写入时自动生成 BM25 稀疏向量实现的内部补全。
  • 引入TEXT作为一等数据类型，可在存储原始文本的同时存储向量，并支持 BM25 和文本匹配。

🔹查询 执行全面改造​

  • 将Order By推入引擎，支持按分段排序以及跨查询节点的归并排序。
  • 添加在内核中计算的 SQL 风格查询 聚合（GROUP BY 配合 COUNT、SUM、AVG、MIN、MAX）。
  • 在 ANN 结果上引入搜索维度，支持按桶统计以及服务器端的嵌套子维度。
  • 支持在集群端注册自定义词典和同义词表，以提升中日韩（CJK）及特定领域的召回率。

🔹多向量与延迟交互支持​

  • 引入**StructList，**将一个实体表示为包含多个向量的单行数据，并通过 MAX_SIM 原生支持延迟交互（ColBERT、ColPali）。
  • 支持对 StructList 字段进行元素级和实体级搜索，并为实体级结果提供可配置的匹配策略。
  • 新增三种多向量检索策略：TokenANN（穷举式）、Muvera（基于投影，无需训练）和 Lemur（学习型压缩）。

🔹检索与索引全面升级​

  • 通过块压缩、权重量化和持久化格式对稀疏倒排索引进行全面改造；引入SINDI作为默认的稀疏倒排索引算法。
  • 通过完整的Faiss 系列（SVS、Panorama、PQ、IVFPQ、ScaNN）以及用于近似重复项检测的**MinHash DIDO，**扩展索引覆盖范围。
  • 支持可为空的向量字段，以处理异步 Embedding 和缺失模态，并在搜索时进行自动过滤。

🔹Vector Lakebase 存储与计算架构​

  • 引入External Collection，可在 S3 / GCS / Azure 中原地对数据进行索引和查询，支持 Lance、Parquet、Iceberg 和 Vortex 表格式。
  • 新增Vortex（一种开放的列式格式）以及Loon（Storage V3），后者作为混合格式存储层，可从对象存储中高效读取单个数据点。
  • 支持采用 MVCC 风格隔离的特定时间点快照，可在服务持续写入的同时进行批处理。
  • 作为Spark DataSource v2集成，可在 Spark / Databricks / EMR 管道中直接读写 Milvus 数据。

🪐 Milvus v3.1（长期愿景）​

时间表：2026 年末及以后

重点：存储智能、写入路径完整性、计算可扩展性，以及扩展 Vector Lakebase 的互操作性。

🎯 主要亮点​

🔹存储与写入路径​

  • 在存储层添加谓词下推功能，并结合页索引和布隆过滤器进行数据修剪。
  • 在数据摄入时实现主键去重，以防止写入时的数据重复。

🔹计算与弹性​

  • 支持用户定义函数（UDF），可在引擎的数据平面中运行自定义逻辑。
  • 启用分片拆分功能，可在数据增长时重新划分分片，并支持自定义分片键。

🔹Spark 与 Vector Lakebase 扩展​

  • 通过更丰富的原生批处理操作符库扩展 Spark 连接器。
  • 新增表格式功能，包括时间回溯、Schema 演进和快照回滚。
  • 通过CDC 实时外部索引、对 Apache Paimon 的支持以及更多数据格式，扩展 Vector Lakebase 的互操作性。

🤝 携手共建 Milvus 的未来​

Milvus 是一个由全球开发者社区驱动的开源项目。我们诚邀所有社区成员共同塑造下一代多模态数据库：

  • 💬分享反馈：在GitHub 讨论区提出新功能或优化建议。

  • 🐛报告问题：通过GitHub Issues 提交 bug 报告。

  • 🔧贡献代码：提交 PR，协助构建核心功能。

    • 拉取请求：直接为我们的代码库做出贡献。无论是修复 bug、添加功能还是完善文档，我们都欢迎您的贡献。
    • 开发指南：请查阅我们的《贡献者指南》，了解代码贡献的相关规范。

  • 🗣️加入讨论：在Discord、Milvus 办公时间或所有社区频道中提问并结识维护者。

  • ⭐广而告之：分享最佳实践和成功案例，并在X、LinkedIn 和YouTube 上关注 Milvus。

👉GitHub： milvus-io/milvus