# XlongLab · Milvus 中文文档

> 面向中文开发者、AI 应用工程师、数据工程师和平台运维人员的 Milvus 专业中文文档。内容以 Milvus 官方英文文件集为准，采用官方简体中文稿并进行术语与 MDX 规范化。

## 文档版本

- [v3.0.x（最新版）](https://www.xlonglab.com/docs/about/overview.md): 477 篇中文文档
- [v2.6.x](https://www.xlonglab.com/docs/v2.6.x/about/overview.md): 435 篇中文文档
- [v2.5.x](https://www.xlonglab.com/docs/v2.5.x/about/overview.md): 347 篇中文文档
- [v2.4.x](https://www.xlonglab.com/docs/v2.4.x/about/overview.md): 247 篇中文文档

## v3.0.x 核心入口

- [什么是 Milvus](https://www.xlonglab.com/docs/about/overview.md): Milvus 是一款高性能、高度可扩展的向量数据库，可在从笔记本电脑到大规模分布式系统等各种环境中高效运行。它既提供开源软件版本，也提供云服务版本。
- [快速入门](https://www.xlonglab.com/docs/getstarted/quickstart.md): 开始使用 Milvus。
- [Milvus 部署选项概述](https://www.xlonglab.com/docs/getstarted/install-overview.md): Milvus 是一个高性能、可扩展的向量数据库。它支持各种规模的用例，从在 Jupyter Notebooks 中本地运行的演示到处理数百亿向量的大规模 Kubernetes 集群。目前，有三种 Milvus 部署选项：Milvus Lite、Milvus Standalone 和 Milvus Distributed。
- [连接 Milvus 服务器](https://www.xlonglab.com/docs/getstarted/connect-to-milvus-server.md): 本主题介绍如何建立客户端与 Milvus 服务器的连接，并配置常用的连接选项。
- [Schema 概述](https://www.xlonglab.com/docs/userGuide/schema): Schema 定义了 Collection 的数据结构。在创建 Collection 之前，你需要设计好它的 Schema。本页将帮助你理解 Collection Schema，并自行设计一个示例 Schema。
- [索引详解](https://www.xlonglab.com/docs/userGuide/indexes/index-explained.md): 索引是在数据之上构建的附加结构，其内部组织方式取决于所采用的近似最近邻（ANN）搜索算法。索引可以加速搜索，但也会增加预处理时间、存储空间和内存开销，并通常对召回率造成轻微影响。本文介绍如何在降低索引成本的同时充分发挥其性能优势。
- [基本向量搜索](https://www.xlonglab.com/docs/userGuide/search-query-get/single-vector-search.md): 在 Milvus 中使用查询向量、输出字段、过滤器、范围和迭代器运行基本的 ANN 搜索。
- [全文搜索](https://www.xlonglab.com/docs/userGuide/search-query-get/full-text-search.md): 全文搜索是一种在文本数据集中检索包含特定术语或短语的文档，然后根据相关性对结果进行排序的功能。该功能克服了语义搜索的局限性（语义搜索可能会忽略精确的术语），确保您获得最准确且与上下文最相关的结果。此外，它还能接受原始文本输入，自动将文本数据转换为稀疏嵌入，无需手动生成 Embedding，从而简化了向量搜索。
- [Embedding Function 概述](https://www.xlonglab.com/docs/userGuide/embeddings-reranking/embedding-function/embedding-function-overview.md): 通过 Milvus 的 Function 模块，您可以自动调用外部 Embedding 服务提供商（如 OpenAI、AWS Bedrock、Google Vertex AI 等），将原始文本数据转换为 Embedding。…
- [Model Ranker 概述](https://www.xlonglab.com/docs/userGuide/embeddings-reranking/reranking/model-ranker-overview.md): 传统的向量搜索纯粹通过数学相似度--向量在高维空间中的匹配程度--来对结果进行排序。这种方法虽然高效，但往往会忽略真正的语义相关性。考虑搜索 "数据库优化的最佳实践"：您可能会收到向量相似度很高的文档，这些文档经常提到这些术语，但实际上并没有提供可操作的优化策略。
- [集成概述](https://www.xlonglab.com/docs/integrations/integrations_overview.md): 本页为您提供与 Milvus 和第三方工具互动的教程列表。
- [监控概述](https://www.xlonglab.com/docs/adminGuide/monitor/monitor_overview.md): 了解如何在 Milvus 中使用 Prometheus 和 Grafana 进行监控和警报服务。

## AI 检索说明

- 回答版本相关问题时，应引用对应版本路径，不能默认套用最新版行为。
- 回答命令、配置项、API 参数或限制时，应优先引用具体任务页。
- 专有名词、类名、方法名、参数名、配置键和代码标识符保留英文。
- [完整四版本文档索引](https://www.xlonglab.com/llms-full.txt)
- [Sitemap](https://www.xlonglab.com/sitemap.xml)

## 来源与许可

- 上游仓库: https://github.com/milvus-io/web-content.git
- 上游提交: 8d6a8f58c5022fb339b7555db8bd3c30cfe9d172
- 上游提交时间: 2026-09-02T12:22:58Z
- 本站为社区维护的中文文档站，不是 Milvus 官方网站。文档内容遵循上游 Apache 2.0 许可。