milvus
Milvus Collection Builder 是一个简化 Milvus Collection 创建流程的工具。通过预定义的场景模板和自然语言意图解析,让你无需深入了解 Milvus 的 Schema、Index、Metric Type 等概念,就能快速创建标准的 Collection。
README 文档
4,223 字Milvus Collection Builder
用一句话创建 Milvus Collection,无需关心 Milvus 概念。
前置条件
1. 安装依赖
pip install -U pymilvus openai langchain-openai langchain-text-splitters langchain-community python-dotenv
2. 启动 Milvus 服务器
# 使用 Docker
docker run -d -p 19530:19530 milvusdb/milvus:latest
# 或使用 Docker Compose
# https://milvus.io/docs/install_standalone-docker.md
3. 设置 OpenAI API Key(可选,用于 Embedding 功能)
export OPENAI_API_KEY="your-api-key-here"
# 或设置兼容的 API 地址
export OPENAI_BASE_URL="https://your-endpoint/v1"
4. 环境检测
运行环境检测脚本,确认当前环境满足要求:
cd ~/.claude/skills/milvus-skills && python3 scripts/check_env.py
检测脚本会检查:
- Python 版本 (需要 3.9+)
- pymilvus 包是否安装
- openai 包是否安装
- Milvus 服务器是否运行
- 技能文件是否完整
目录结构
~/.claude/skills/milvus-skills/
├── SKILL.md # 技能说明文档(本文件)
├── README.md # 项目说明
├── requirements.txt # 依赖列表
├── scripts/ # 核心脚本目录
│ ├── __init__.py
│ ├── milvus_builder.py # 核心构建器
│ ├── intent_parser.py # 自然语言意图解析器
│ ├── check_env.py # 环境检测脚本
│ └── insert_milvus_data.py # 数据插入脚本
└── examples/ # 示例代码目录
├── __init__.py
├── basic_text_search.py # 文本搜索示例
└── rag_knowledge_base.py # RAG 知识库示例
执行方式
重要: 所有 Python 命令必须先切换到技能目录执行,以确保使用技能目录下的代码:
cd ~/.claude/skills/milvus-skills && python3 -c "你的代码"
示例:
cd ~/.claude/skills/milvus-skills && python3 -c "
from scripts.milvus_builder import MilvusCollectionBuilder
builder = MilvusCollectionBuilder()
result = builder.create_from_preset('my_kb', scene='rag')
print(result['code'])
"
核心文件
scripts/milvus_builder.py
核心构建器,提供 MilvusCollectionBuilder 类。
scripts/intent_parser.py
自然语言意图解析器,将用户输入转换为配置参数。
scripts/check_env.py
环境检测脚本,检查 Python 环境和依赖是否满足要求。
scripts/insertmilvusdata.py
数据插入脚本,将 Markdown 文档加载、切块、生成向量并插入到 Milvus Collection。
使用方法
基本用法
from scripts.milvus_builder import MilvusCollectionBuilder
# 创建构建器(连接到 localhost:19530)
builder = MilvusCollectionBuilder()
# 从预设场景创建 Collection
result = builder.create_from_preset(
collection_name="my_docs",
scene="text_search" # 或 "rag"
)
# 检查结果
if result["status"] == "success":
print(result["code"]) # 查看生成的代码
else:
print(f"Error: {result['error']}")
使用意图解析
from scripts.intent_parser import IntentParser
from scripts.milvus_builder import MilvusCollectionBuilder
# 解析用户意图
parser = IntentParser()
intent = parser.parse("我要建一个RAG知识库")
# 使用解析结果创建
builder = MilvusCollectionBuilder()
result = builder.create_from_intent(
collection_name="my_kb",
**intent
)
插入数据
cd ~/.claude/skills/milvus-skills && python3 scripts/insert_milvus_data.py
该脚本会:
- 读取
milvus_concepts.md文件 - 将文档切块(500字符,50重叠)
- 使用 OpenAI Embedding 生成向量
- 插入到
rag_kbcollection - 创建 HNSW 索引
自定义连接地址
# 连接到远程 Milvus
builder = MilvusCollectionBuilder(
uri="https://your-milvus.endpoint",
token="your_api_key"
)
支持的场景
1. text_search (文本语义搜索)
- 关键词: 文本、文档、语义、搜索、检索、text、document、semantic、search、faq
- 适用: 文档检索、语义搜索、FAQ 问答
- 默认字段: id, content, vector
- 配置: COSINE 相似度, AUTOINDEX, 动态字段
2. rag (RAG 知识库)
- 关键词: rag、RAG、知识库、knowledge、kb
- 适用: RAG 应用、知识库问答、企业文档库
- 默认字段: id, text, metadata, vector
- 配置: COSINE 相似度, AUTOINDEX, 动态字段
支持的 Embedding 模型
| 模型 | 维度 | 关键词 |
|---|---|---|
| OpenAI text-embedding-3-large | 3072 | 3-large, 3072 |
| OpenAI text-embedding-3-small | 1536 | 3-small, 1536, openai (默认) |
| OpenAI text-embedding-ada-002 | 1536 | ada, ada-002 |
| BGE-M3 | 1024 | bge-m3 |
| BGE-Large | 1024 | bge-large |
| E5-Large | 1024 | e5 |
Embedding 功能
初始化
# 使用环境变量 OPENAI_API_KEY
builder.init_embedding()
# 或直接传入 API Key
builder.init_embedding(api_key="your-api-key")
# 使用兼容 OpenAI API 的服务
builder.init_embedding(api_key="key", base_url="https://your-endpoint")
生成向量
# 单个文本
vector = builder.embed_text("测试文本")
# 批量
vectors = builder.embed_text(["文本1", "文本2"])
# 生成并插入
result = builder.embed_and_insert(
collection_name="my_docs",
texts=["Milvus 是向量数据库", "向量搜索很重要"]
)
用户触发词
当用户提到以下内容时使用此技能:
- "创建 Milvus collection"
- "建一个向量数据库"
- "我要做文档搜索"
- "建一个 RAG 知识库"
- "create text search collection"
- "build RAG knowledge base"
- "语义搜索"、"向量检索"
工作流程
- 解析用户意图: 使用
IntentParser解析场景、模型、配置 - 创建构建器: 初始化
MilvusCollectionBuilder - 创建 Collection: 调用
createfrompreset()或createfromintent() - 返回结果: 显示生成的代码或错误信息
新对话触发
技能会在新对话中自动触发,当用户提到以下关键词时:
- "milvus"
- "向量数据库"
- "vector database"
- "collection"
- "rag"
- "知识库"
触发后,技能会重新运行完整流程,引导用户完成:
- 环境检测
- 意图解析
- Collection 创建
- 数据插入(可选)
限制
- 不支持多向量字段
- 不支持嵌套字段、数组类型
- 不支持分区键配置
- 不支持高级索引参数调优
- 本地 Embedding 模型 (BGE, E5) 仅用于配置维度,实际生成需用对应库
示例代码位置
examples/basictextsearch.py: 文本搜索示例examples/ragknowledgebase.py: RAG 知识库示例
同分类其他技能
查看全部 ›ECC 是一个跨 Claude Code、Codex、Cursor、OpenCode、Gemini 等 harness 的 Agent
30.8万 11.6万 mcp-buildermcp-builder 用于从需求说明生成高质量 MCP Server,覆盖 TypeScript/Python SDK 选型、工具 s
19.8万 11.3万 skill-creator指导用户如何创建、组织和打包高效的 Skills
19.8万 10.5万 superpowerssuperpowers是一个为你的编码代理提供的完整软件开发工作流程,它建立在一系列可组合的"技能"和一些初始指令之上,这些指令确保你的
32.3万 6.5万 seo-audit当用户希望对其网站进行 SEO 审核、审查或诊断问题时使用。用户提到"SEO 审核"、"技术 SEO"、"为什么我排名不高"、"SEO
6.1万 1.3万 react-best-practicesReact 最佳实践指南,涵盖组件设计、状态管理、性能优化等核心主题。
3.4万 1.2万