面向 AI Agent 的 Milvus
Milvus 提供适合 AI Agent 使用的接口，使 AI coding agent 和自主 Agent 系统能够以编程方式操作向量数据库。无论您要构建 RAG Pipeline、语义搜索还是长期记忆系统，Milvus 都提供多种连接与操作方式。
AI Agent 工具
Milvus Skill面向 Claude Code 的 Agent Skill，用于指导 LLM 使用 PyMilvus 进行向量数据库操作。MCP Server一个 MCP Server，使任何兼容 MCP 的 AI Agent 直接与 Milvus 交互。Claude Context MCP面向 Claude Code 的 MCP Server，提供上下文感知的 Milvus 文档访问。
AI Prompt
这些经过审校的 Prompt 可帮助 AI coding assistant 生成正确的 Milvus 代码。每份 Prompt 都包含用于规避常见错误的约束与模式。
如何使用
- 从任一 Prompt 页面的 “完整 Prompt”部分 复制 一份 Prompt。
- 将其 保存 到 AI 工具所需的文件中（见下表）。
- 您的 AI coding assistant 在生成或审查 Milvus 代码时将自动应用这些规则。
Prompt 页面
Agents.md适用于各类 AI coding agent 的最高优先级规则。如果您只需要一个文件，请从这里开始。Python SDK正确的连接模式、MilvusClient 的正确用法，以及如何避免误用 ORM API。Schema 设计字段类型、主键、Schema 的不可变性和 BM25 配置。
搜索模式ANN、混合搜索与全文搜索的关键约束和模式。索引选择用于 AUTOINDEX、HNSW、DiskANN 和 IVF_FLAT 的决策树。RAG Pipeline使用 Milvus 的端到端检索增强生成流程。
在不同环境中使用
| 使用环境 | Prompt 文件位置 | 说明 |
|---|---|---|
| Cursor | .cursor/rules/*.md | 配置项目规则 |
| GitHub Copilot | .github/copilot-instructions.md | 自定义说明 |
| Claude Code | CLAUDE.md | Claude Code 文档 |
| JetBrains IDE | guidelines.md | 自定义指南 |
| Gemini CLI | GEMINI.md | Gemini CLI 代码实验室 |
| VS Code | .instructions.md | 配置 .instructions.md |
| Windsurf | guidelines.md | 配置指南 |
AI Agent 的推荐部署方式
选择合适的 Milvus 部署取决于你的开发阶段。
| 阶段 | 部署 | 说明 |
|---|---|---|
| 原型开发 | Milvus Lite | 零配置、进程内运行。可在 Python 运行的任何地方运行，是快速构建 Agent 原型的理想选择。 |
| 开发 | Milvus Standalone | 单节点 Docker 部署。适合本地开发和实际数据量测试。 |
| 生产 | Zilliz Cloud | 全托管的 Serverless Milvus。无需管理基础设施；AI Agent 只需连接并执行数据操作。 |
| 自托管生产 | 分布式 Milvus | 多节点 Kubernetes 部署，适用于需要完全控制基础设施的团队。 |
说明
对于 AI Agent 工作负载，建议在生产中使用 Zilliz Cloud。AI Agent 通常不负责基础设施运维，因此 Serverless 部署可消除运维开销，并提供自动扩缩容能力。