元旦将近，窗外寒风阵阵，你独倚窗边，思绪万千，于是拿出手机，想发一条朋友圈抒发情怀，顺便展示一下文采。
好不容易按出几个字，“今天的风好大……”，但这展示不出你的文采，于是全部删除。
于是，你灵机一动，如果有一个搜索引擎，能搜索出和“今天的风好大”意思相近的古诗词，岂不妙哉！
使用向量数据库就可以实现，代码还不到100行。这两天我试了试，从零开始安装向量数据库 Milvus，向量化古诗词数据集，然后创建集合、导入数据、创建索引，最后实现语义搜索功能。整个流程跑通之后，确实有点意思——你能用现代大白话，直接搜出意境最接近的唐诗宋词。
下面直接进入正题。
准备工作
首先安装向量数据库 Milvus。Milvus 支持本地、Docker 和 K8s 部署。这里用 Docker 运行 Milvus，所以需要先安装 Docker Desktop。MacOS 系统安装方法：Install Docker Desktop on Mac，Windows 系统安装方法：Install Docker Desktop on Windows。
然后安装 Milvus。下载安装脚本：
curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh -o standalone_embed.sh运行 Milvus：
standalone_embed.sh start安装依赖：
pip install pymilvus "pymilvus[model]" torch下载古诗词数据集[1] TangShi.json，它的格式如下：
[
{
"author": "太宗皇帝",
"paragraphs": [
"秦川雄帝宅，函谷壮皇居。"
],
"title": "帝京篇十首 一",
"id": 20000001,
"type": "唐诗"
},
...
]准备就绪，正式开始。
01 向量化文本
为了实现语义搜索，第一步就是解决“语义”的表示问题。传统的全文检索靠关键词匹配，机械得很——比如“多大了？”和“年龄是？”关键词重合度很低，但意思几乎一样。反过来，关键词重合但多一个“不”字，意思就大相径庭。这叫什么事儿。
现在流行的方法是嵌入模型（embedding）。通过深度神经网络把文字、图像、声音等非结构化数据提取成一堆数字，这堆数字就叫向量，它能够代表语义。在向量空间中，两个向量之间的距离，就是它们所代表数据的语义相似度——两个诗句语义是否相关，或者两张图片是否很像。这些向量可以存储在 Milvus 向量数据库中，方便高效查询。
理解原理后，先写一个把文本向量化的函数 vectorize_text，方便后面反复调用。
import torch
import json
from pymilvus.model.hybrid import BGEM3EmbeddingFunction
# 1 向量化文本数据
def vectorize_text(text, model_name="BAAI/bge-small-zh-v1.5"):
# 检查是否有可用的CUDA设备
device = "cuda:0" if torch.cuda.is_a vailable() else "cpu"
# 根据设备选择是否使用fp16
use_fp16 = device.startswith("cuda")
# 创建嵌入模型实例
bge_m3_ef = BGEM3EmbeddingFunction(
model_name=model_name,
device=device,
use_fp16=use_fp16
)
# 把输入的文本向量化
vectors = bge_m3_ef.encode_documents(text)
return vectors函数里用了嵌入模型 BGEM3EmbeddingFunction，就是它把文本变成向量。准备好后，对整个数据集进行向量化。读取 TangShi.json，将 paragraphs 字段转成向量，然后写入 TangShi_vector.json。如果你是第一次使用 Milvus，运行下面的代码时还会自动安装必要的依赖。
# 读取 json 文件，把paragraphs字段向量化
with open("TangShi.json", 'r', encoding='utf-8') as file:
data_list = json.load(file)
# 提取该json文件中的所有paragraphs字段的值
text = [data['paragraphs'][0] for data in data_list]
# 向量化文本数据
vectors = vectorize_text(text)
# 将向量添加到原始文本中
for data, vector in zip(data_list, vectors['dense']):
data['vector'] = vector.tolist()
# 将更新后的文本内容写入新的json文件
with open("TangShi_vector.json", 'w', encoding='utf-8') as outfile:
json.dump(data_list, outfile, ensure_ascii=False, indent=4)一切顺利的话，你会得到 TangShi_vector.json 文件，里面多了 vector 字段，值是一串浮点数——也就是“向量”。
[
{
"author": "太宗皇帝",
"paragraphs": [
"秦川雄帝宅，函谷壮皇居。"
],
"title": "帝京篇十首 一",
"id": 20000001,
"type": "唐诗",
"vector": [
0.005114779807627201,
0.033538609743118286,
0.020395483821630478,
...
]
},
{
"author": "太宗皇帝",
"paragraphs": [
"绮殿千寻起，离宫百雉余。"
],
"title": "帝京篇十首 一",
"id": 20000002,
"type": "唐诗",
"vector": [
-0.06334448605775833,
0.0017451602034270763,
-0.0010646708542481065,
...
]
},
...
]02 创建集合
接下来，要把向量数据导入 Milvus。首先需要在 Milvus 中创建一个集合来容纳它们——类似于在数据库里创建一张表。
from pymilvus import MilvusClient
# 连接向量数据库，创建client实例
client = MilvusClient(uri="http://localhost:19530")
# 指定集合名称
collection_name = "TangShi"要注意，避免数据库中存在同名集合造成干扰，所以在创建前先检查并删掉旧的。
# 检查同名集合是否存在，如果存在则删除
if client.has_collection(collection_name):
print(f"Collection {collection_name} already exists")
try:
# 删除同名集合
client.drop_collection(collection_name)
print(f"Deleted the collection {collection_name}")
except Exception as e:
print(f"Error occurred while dropping collection: {e}")就像往 Excel 表格里填数据前要先设计好表头，指定各个字段的名称和数据类型一样。向量数据库也要定义这样的结构，它的“表头”就是 schema。
from pymilvus import DataType
# 创建集合模式
schema = MilvusClient.create_schema(
auto_id=False,
enable_dynamic_field=True,
description="TangShi"
)
# 添加字段到schema
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True)
schema.add_field(field_name="vector", datatype=DataType.FLOAT_VECTOR, dim=512)
schema.add_field(field_name="title", datatype=DataType.VARCHAR, max_length=1024)
schema.add_field(field_name="author", datatype=DataType.VARCHAR, max_length=256)
schema.add_field(field_name="paragraphs", datatype=DataType.VARCHAR, max_length=10240)
schema.add_field(field_name="type", datatype=DataType.VARCHAR, max_length=128)schema 创建好后，就可以创建集合了。
# 创建集合
try:
client.create_collection(
collection_name=collection_name,
schema=schema,
shards_num=2
)
print(f"Created collection {collection_name}")
except Exception as e:
print(f"Error occurred while creating collection: {e}")03 入库
现在把刚才处理好的 JSON 数据导入 Milvus。
# 读取和处理文件
with open("TangShi_vector.json", 'r') as file:
data = json.load(file)
# paragraphs的值是列表，需要从列表中取出字符串，取代列表，以符合Milvus插入数据的要求
for item in data:
item["paragraphs"] = item["paragraphs"][0]
# 将数据插入集合
print(f"正在将数据插入集合：{collection_name}")
res = client.insert(
collection_name=collection_name,
data=data
)导入成功了吗？验证一下。
print(f"插入的实体数量: {res['insert_count']}")返回结果：
插入的实体数量: 4307看来是成功了。
04 创建索引
向量已经进入 Milvus，可以搜索了吗？别急，要想搜索快，还得先创建索引。什么是指数？你可以回忆一下——有些大部头图书的最后，通常会有一个索引，列出书中间出现的关键术语以及对应的页码，帮你快速定位。如果没有索引，那就只能从第一页翻起。
Milvus 的索引也是类似的道理。不创建索引虽然也能搜，但速度慢得让人着急——它会逐一比较查询向量与数据库中的每一个向量，计算距离，再找出最近的几个。创建索引之后，搜索效率会大幅提升。
索引有不同的类型，适合不同场景，以后有机会再细聊。这里我们先用一个相对简单的索引类型 IVF_FLAT。另外，距离的计算方式也有多种，这里使用 IP，也就是内积。这些都是索引的参数，先设置好。
# 创建IndexParams对象，用于存储索引的各种参数
index_params = client.prepare_index_params()
# 设置索引名称
vector_index_name = "vector_index"
# 设置索引的各种参数
index_params.add_index(
# 指定为"vector"字段创建索引
field_name="vector",
# 设置索引类型
index_type="IVF_FLAT",
# 设置度量类型
metric_type="IP",
# 设置索引聚类中心的数量
params={"nlist": 128},
# 指定索引名称
index_name=vector_index_name
)索引参数准备好后，终于可以正式创建索引了。
print(f"开始创建索引：{vector_index_name}")
# 创建索引
client.create_index(
# 指定为哪个集合创建索引
collection_name=collection_name,
# 使用前面创建的索引参数创建索引
index_params=index_params
)验证一下索引是否创建成功。
indexes = client.list_indexes(
collection_name=collection_name
)
print(f"列出创建的索引：{indexes}")返回结果：
列出创建的索引：['vector_index']再来查看索引的详情。
# 查看索引详情
index_details = client.describe_index(
collection_name=collection_name,
# 指定索引名称，这里假设使用第一个索引
index_name="vector_index"
)
print(f"索引vector_index详情：{index_details}")返回的字典里包含我们之前设置的索引参数，比如 nlist、index_type 和 metric_type。简单来说，nlist 就是把一个数据分片里的向量数据分成若干个聚类，方便后续取出最相关的聚类来加速检索。
索引vector_index详情：{'nlist': '128', 'index_type': 'IVF_FLAT', 'metric_type': 'IP', 'field_name': 'vector', 'index_name': 'vector_index', 'total_rows': 0, 'indexed_rows': 0, 'pending_index_rows': 0, 'state': 'Finished'}05 加载索引
索引创建成功，但还差一步：需要把集合中的数据和索引从硬盘加载到内存中，因为在内存里搜索更快。
print(f"正在加载集合：{collection_name}")
client.load_collection(collection_name=collection_name)加载完成后，验证一下。
print(client.get_load_state(collection_name=collection_name))返回加载状态 Loaded，没问题，加载完成。
{'state': } 06 搜索
前面做了这么多准备，现在终于回到最初的问题了——用现代大白话搜索语义相似的古诗词。
首先，把要搜索的现代白话文提取为向量。
# 获取查询向量
text = "今天的雨好大"
query_vectors = [vectorize_text([text])['dense'][0].tolist()]然后设置搜索参数，告诉 Milvus 怎么搜。
# 设置搜索参数
search_params = {
# 设置度量类型
"metric_type": "IP",
# 指定在搜索过程中要查询的聚类单元数量，增加nprobe值可以提高搜索精度，但会降低搜索速度
"params": {"nprobe": 16}
}最后，还得告诉它要返回哪些字段。
# 指定搜索结果的数量，“limit=3”表示返回最相近的前3个搜索结果
limit = 3
# 指定返回的字段
output_fields = ["author", "title", "paragraphs"]一切就绪，开始搜索。
res1 = client.search(
collection_name=collection_name,
# 指定查询向量
data=query_vectors,
# 指定搜索的字段
anns_field="vector",
# 设置搜索参数
search_params=search_params,
# 指定返回搜索结果的数量
limit=limit,
# 指定返回的字段
output_fields=output_fields
)
print(res1)结果如下：
data: [
"[
{
'id': 20002740,
'distance': 0.6542239189147949,
'entity': {
'title': '郊庙歌辞 享太庙乐章 大明舞',
'paragraphs': '旱望春雨，云披大风。',
'author': '张说'
}
},
{
'id': 20001658,
'distance': 0.6228379011154175,
'entity': {
'title': '三学山夜看圣灯',
'paragraphs': '细雨湿不暗，好风吹更明。',
'author': '蜀太妃徐氏'
}
},
{
'id': 20003360,
'distance': 0.6123768091201782,
'entity': {
'title': '郊庙歌辞 汉宗庙乐舞辞 积善舞',
'paragraphs': '云行雨施，天成地平。',
'author': '张昭'
}
}
]
]搜索结果中，id、title 等字段都清楚，distance 是新出现的，指的是搜索结果与查询向量之间的“距离”。我们用的度量类型是 IP 内积，数字越大表示越接近。为了看着方便，写一个输出函数。
# 打印向量搜索结果
def print_vector_results(res):
# hit是搜索结果中的每一个匹配的实体
res = [hit["entity"] for hit in res[0]]
for item in res:
print(f"title: {item['title']}")
print(f"author: {item['author']}")
print(f"paragraphs: {item['paragraphs']}")
print("-"*50)
print(f"数量：{len(res)}")重新输出结果：
print_vector_results(res1)这下好读多了。
title: 郊庙歌辞 享太庙乐章 大明舞
author: 张说
paragraphs: 旱望春雨，云披大风。
--------------------------------------------------
title: 三学山夜看圣灯
author: 蜀太妃徐氏
paragraphs: 细雨湿不暗，好风吹更明。
--------------------------------------------------
title: 郊庙歌辞 汉宗庙乐舞辞 积善舞
author: 张昭
paragraphs: 云行雨施，天成地平。
--------------------------------------------------
数量：3如果你不想限制结果数量，而是返回所有质量符合要求的搜索结果，可以修改搜索参数：
# 修改搜索参数，设置距离的范围
search_params = {
"metric_type": "IP",
"params": {
"nprobe": 16,
"radius": 0.55,
"range_filter": 1.0
}
}这里增加了 radius 和 range_filter 参数，限制 distance 的范围在 0.55 到 1 之间。然后调整搜索代码，删除 limit 参数。
res2 = client.search(
collection_name=collection_name,
# 指定查询向量
data=query_vectors,
# 指定搜索的字段
anns_field="vector",
# 设置搜索参数
search_params=search_params,
# 删除limit参数
# 指定返回的字段
output_fields=output_fields
)
print(res2)可以看到，输出结果的 distance 都大于 0.55。
data: [
"[
{
'id': 20002740,
'distance': 0.6542239189147949,
'entity': {
'author': '张说',
'title': '郊庙歌辞 享太庙乐章 大明舞',
'paragraphs': '旱望春雨，云披大风。'
}
},
{
'id': 20001658,
'distance': 0.6228379011154175,
'entity': {
'author': '蜀太妃徐氏',
'title': '三学山夜看圣灯',
'paragraphs': '细雨湿不暗，好风吹更明。'
}
},
{
'id': 20003360,
'distance': 0.6123768091201782,
'entity': {
'author': '张昭',
'title': '郊庙歌辞 汉宗庙乐舞辞 积善舞',
'paragraphs': '云行雨施，天成地平。'
}
},
{
'id': 20003608,
'distance': 0.5755923986434937,
'entity': {
'author': '李端',
'title': '鼓吹曲辞 巫山高',
'paragraphs': '回合云藏日，霏微雨带风。'
}
},
{
'id': 20000992,
'distance': 0.5700664520263672,
'entity': {
'author': '德宗皇帝',
'title': '九月十八赐百僚追赏因书所怀',
'paragraphs': '雨霁霜气肃，天高云日明。'
}
},
{
'id': 20002246,
'distance': 0.5583387613296509,
'entity': {
'author': '不详',
'title': '郊庙歌辞 祭方丘乐章 顺和',
'paragraphs': '雨零感节，云飞应序。'
}
}
]
]也许你还想知道最喜欢的李白，有没有和你一样感慨“今天的雨好大”。没问题，加一个 filter 参数来指定只搜索 author 为“李白”的内容。
# 通过表达式过滤字段author，筛选出字段“author”的值为“李白”的结果
filter = f"author == '李白'"
res3 = client.search(
collection_name=collection_name,
# 指定查询向量
data=query_vectors,
# 指定搜索的字段
anns_field="vector",
# 设置搜索参数
search_params=search_params,
# 通过表达式实现标量过滤，筛选结果
filter=filter,
# 指定返回搜索结果的数量
limit=limit,
# 指定返回的字段
output_fields=output_fields
)
print(res3)返回的结果是空的。
data: ['[]']原因很简单——我们之前设的 distance 范围下限是 0.55，看来李白和“雨”的缘分还没到这个阈值得分。把 radius 调整为 0.2，再试试。
data: [
"[
{
'id': 20004246,
'distance': 0.46472394466400146,
'entity': {
'author': '李白',
'title': '横吹曲辞 关山月',
'paragraphs': '明月出天山，苍茫云海间。'
}
},
{
'id': 20003707,
'distance': 0.4347272515296936,
'entity': {
'author': '李白',
'title': '鼓吹曲辞 有所思',
'paragraphs': '海寒多天风，白波连山倒蓬壶。'
}
},
{
'id': 20003556,
'distance': 0.40778297185897827,
'entity': {
'author': '李白',
'title': '鼓吹曲辞 战城南',
'paragraphs': '去年战桑干源，今年战葱河道。'
}
}
]
]观察一下——distance 在 0.4 左右，远小于之前的 0.55，所以被排除了。而且这几句诗词确实跟“雨”关系不大。
如果你非要在搜索结果中看到带“雨”字的诗句，可以用 query 方法做标量搜索。
# paragraphs字段包含“雨”字
filter = f"paragraphs like '%雨%'"
res4 = client.query(
collection_name=collection_name,
filter=filter,
output_fields=output_fields,
limit=limit
)
print(res4)标量查询的代码简洁得多——因为省去了向量搜索相关的参数：查询向量 data、指定搜索字段的 anns_field 和搜索参数 search_params，只剩下 filter。观察结果可以发现，标量查询的数据结构少了一层 []，提取字段时需要注意。
data: [
"{
"author": "太宗皇帝",
"title": "咏雨",
"paragraphs": "罩云飘远岫，喷雨泛长河。",
"id": 20000305
},
{
"author": "太宗皇帝",
"title": "咏雨",
"paragraphs": "和气吹绿野，梅雨洒芳田。",
"id": 20000402
},
{
"author": "太宗皇帝",
"title": "赋得花庭雾",
"paragraphs": "还当杂行雨，髣髴隐遥空。",
"id": 20000421
}
]filter 表达式还能更灵活，比如同时查询两个字段：指定 author 为“杜甫”，同时 paragraphs 仍包含“雨”字。
filter = f"author == '杜甫' && paragraphs like '%雨%'"
res5 = client.query(
collection_name=collection_name,
filter=filter,
output_fields=output_fields,
limit=limit
)
print(res5)返回了杜甫含有“雨”字的诗句：
data: [
"{
'title': '横吹曲辞 前出塞九首 七',
'paragraphs': '驱马天雨雪，军行入高山。',
'id': 20004039,
'author': '杜甫'
}
]更多标量搜索的表达式可以参考Get & Scalar Query。
写在最后
恭喜，到这里你已经完成了一个“大白话搜古诗词”的 demo！完整的数据集和代码可以从文末的下载链接获取，推荐直接去 Colab 里运行体验。
可能前面的搜索结果并没有让你完全满意，这背后有几个原因：首先，数据集太小了，只有 4000 多个句子，语义更接近的句子可能根本不在其中。其次，嵌入模型虽然支持中文，但古诗词并不是它的专长。这就好比找个翻译帮你和老外交流，翻译虽然懂普通话，但你满嘴四川方言，翻译也只能连蒙带猜，质量可想而知。