Java使用Milvus指南

接着上文Milvus安装篇,我们再看看作为一个Java开发者如何连接并使用Milvus向量数据库

Java使用Milvus向量数据库有两种方式

直接引用对应版本的SDK

[安装 Milvus Java SDK | Milvus 文档](https://milvus.io/docs/zh/view-collections.md)

我们根据官方文档可以找到自己对应的版本SDK，官方提供了一下两种方式：

• Apache Maven

▼
xml
复制代码
<dependency>
    <groupId>io.milvus</groupId>
    <artifactId>milvus-sdk-java</artifactId>
    <version>2.5.7</version>
</dependency>

• Gradle/Grails

▼
groovy
复制代码
implementation 'io.milvus:milvus-sdk-java:2.5.7'

以Maven工程为例,创建client

▼
java
复制代码
  MilvusClientV2 client = new MilvusClientV2(ConnectConfig.builder()
             .uri("http://121.204.251.79:19530")
             .username("hypersense")
             .password("hypersense")
             .build());

  ListCollectionsResp resp = client.listCollections();

以上版本是2.5.x的创建方式，具体方式查看对应版本文档

数据库 | Milvus 文档

SpringBoot 集成Milvus

根据Spring AI:1.0.0-M6 为例，1.0.0-M7已经发布了，上次尝试一下原来的代码连接不上硅基了，果断回退了，慢慢摸索。

自动装载的方式

maven导入

▼
xml
复制代码
<dependency>
	<groupId>org.springframework.ai</groupId>
	<artifactId>spring-ai-starter-vector-store-milvus</artifactId>
</dependency>

​ Gradle 导入

▼
groovy
复制代码
dependencies {
    implementation 'org.springframework.ai:spring-ai-starter-vector-store-milvus' 
} 

​ application.yml 配置写入

▼
yml
复制代码
spring:
	ai:
            vectorstore:
		milvus:
                    client:
                        host: "localhost"
			port: 19530
			username: "root"
			password: "milvus"
                    databaseName: "default"
                    collectionName: "vector_store"
                    embeddingDimension: 1536
                    indexType: IVF_FLAT
                    metricType: COSINE

使用

▼
java
复制代码
@Autowired 
VectorStore vectorStore;
// 你可以直接在你的SpringBoot项目中注入向量存储，它会自动根据配置文件装载MilvusVectorStore

手动配置的方式

导入Spring AI 物料库

▼
xml
复制代码
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-bom</artifactId>
    <version>${spring-ai.version}</version>
    <type>pom</type>
    <scope>import</scope>
</dependency>

在你需要的模块下导入milvus依赖

▼
xml
复制代码
<dependency>
	<groupId>org.springframework.ai</groupId>
	<artifactId>spring-ai-milvus-store</artifactId>
</dependency>

使用

• 创建配置文件

▼
java
复制代码
/**
 * @Author: HyperSense
 * @CreateTime: 2025-04-16
 * @Description: Milvus 向量库连接配置
 * @Version: 1.0
 */
@Configuration
public class MilvusConfig {
    /**
     *  milvus ip addr
     */
    @Value("${"+VectorConstant.MILVUS_HOST+"}")
    private String host;

    /**
     * milvus   port
     */
    @Value("${"+VectorConstant.MILVUS_PORT+"}")
    private Integer  port;

    /**
     *  milvus username
     */
    @Value("${"+VectorConstant.MILVUS_USER+"}")
    private String username;


    /**
     *  milvus password
     */
    @Value("${"+VectorConstant.MILVUS_PWD+"}")
    private String password;

    /**
     *  milvus password
     */
    @Value("${"+VectorConstant.MILVUS_URI+"}")
    private String uri;

    /**
     *  milvus collect
     */
    @Value("${"+VectorConstant.MILVUS_COLLECT+"}")
    private String collection;

    /**
     *  milvus password
     */
    @Value("${"+VectorConstant.MILVUS_DB+"}")
    private String database;


    @Bean
    public MilvusServiceClient milvusServiceClient() {
        return new MilvusServiceClient(ConnectParam
                .newBuilder()
                .withUri(uri)
                .withAuthorization(username,password)
                .build());
    }

}

• 创建VectorStore

  根据你的数据库配置创建VectorStore(注意:我使用的是将EmbeddingModel参数传入的方式）

▼
java
复制代码
@Service
public class VectorStoreService {

    @Autowired
    private Environment env;
    
    @Autowired
    MilvusServiceClient milvusServiceClient;

    public VectorStore milvusVectorStore(EmbeddingModel embeddingModel) {
        return MilvusVectorStore.builder(milvusServiceClient, embeddingModel)
                .collectionName(Objects.requireNonNull(env.getProperty(VectorConstant.MILVUS_COLLECT)))
                .databaseName(Objects.requireNonNull(env.getProperty(VectorConstant.MILVUS_DB)))
                .embeddingDimension(1024)
                .indexType(IndexType.IVF_FLAT)
                .metricType(MetricType.COSINE)
                .batchingStrategy(new TokenCountBatchingStrategy())
                .initializeSchema(true)
                .build();
    }

}

官方使用@Bean方式创建VectorStore：

▼
java
复制代码
	@Bean
	public VectorStore vectorStore(MilvusServiceClient milvusClient, EmbeddingModel embeddingModel) {
		return MilvusVectorStore.builder(milvusClient, embeddingModel)
				.collectionName("test_vector_store")
				.databaseName("default")
				.indexType(IndexType.IVF_FLAT)
				.metricType(MetricType.COSINE)
				.batchingStrategy(new TokenCountBatchingStrategy())
				.initializeSchema(true)
				.build();
	}

	@Bean
	public MilvusServiceClient milvusClient() {
		return new MilvusServiceClient(ConnectParam.newBuilder()
			.withAuthorization("minioadmin", "minioadmin")
			.withUri(milvusContainer.getEndpoint())
			.build());
	}

在使用案例：

登陆Attu管理页并创建数据库及集合

• 创建自己数据库，也可以使用默认default数据库

• 根据你的数据库创建自己的集合，相当于table,根据自己字段填写

• 创建索引并设置索引类型

对应你的配置文件参数

以上这个状态就是加载完成了。可以通过Client访问这个集合了，否者会提示 no load

根据上面的配置方案配置项目工程，我以手动配置为例

▼
java
复制代码
    
    //注入定义的 VectorStoreService
    
    @Autowired
    private VectorStoreService vectorStoreService;
    
    ...略
    
    /**
	* 获取相关的文章片段用于增强LLM
	*/
    public List<String> getContext(...){
        // 根据硅基流动官方嵌入模型创建嵌入模型
        var openAiApi = new OpenAiApi.Builder()
                .apiKey(userModel.getApiKey())
                .baseUrl(userModel.getBaseUrl()).build();
        OpenAiEmbeddingOptions openAiEmbeddingOptions = OpenAiEmbeddingOptions.builder()
                .model("BAAI/bge-large-zh-v1.5")
                .dimensions(1024)
                .user("Silicon flow embedding online: fast, affordable, and high-quality embedding services. come try it out!")
                .build();
        EmbeddingModel embeddingModel = new 				 OpenAiEmbeddingModel(openAiApi,MetadataMode.EMBED,openAiEmbeddingOptions);
        
       return retrieveDocuments(..，,embeddingModel);
    }
    
    

▼
Java
复制代码
    /**
     * 检索相关文档
     * @param embeddingModel
     * @param query
     * @return
     */
    public List<String> retrieveDocuments(EmbeddingModel embeddingModel, Query query){
        DocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
                .vectorStore(vectorStoreService.milvusVectorStore(embeddingModel))
                .similarityThreshold(0.73)
                .topK(5)
                .build();
        List<Document> documents = retriever.retrieve(query);
        return Objects.requireNonNull(documents).stream().map(Document::getFormattedContent).collect(Collectors.toList());
    }

总结

• 根据项目工程选择对应的配置方式
• 建议使用Spring AI 方式，内置很多强大的功能，方便你快速开发AI应用

以上都是自己慢慢看文档摸索的，咱不是赛博丁真，希望你不要克服“讨好型人格” ，觉得有用就来个三连哈哈，玩梗莫当真，随意就好