---

1.拉取镜像

docker pull swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/milvusdb/milvus:v2.4.5
docker pull swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/minio/minio:RELEASE.2023-03-20T20-16-18Z

2.创建docker-compose.yml文件（支持 Milvus v2.4.5 单机模式）

version: '3.5'

services:
  etcd:
    container_name: milvus-etcd
    image: quay.io/coreos/etcd:v3.5.5
    environment:
      - ETCD_AUTO_COMPACTION_MODE=revision
      - ETCD_AUTO_COMPACTION_RETENTION=1000
      - ETCD_QUOTA_BACKEND_BYTES=4294967296
      - ETCD_SNAPSHOT_COUNT=50000
      - ETCD_HEARTBEAT_INTERVAL=500
      - ETCD_ELECTION_TIMEOUT=2500
      - ETCD_LISTEN_CLIENT_URLS=http://0.0.0.0:2379
      - ETCD_ADVERTISE_CLIENT_URLS=http://etcd:2379
    volumes:
      - etcd_data:/etcd
    networks:
      - milvus-network

  minio:
    container_name: milvus-minio
    image: swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/minio/minio:RELEASE.2023-03-20T20-16-18Z
    environment:
      - MINIO_ACCESS_KEY=minioadmin
      - MINIO_SECRET_KEY=minioadmin
    command: server /minio_data
    volumes:
      - minio_data:/minio_data
    ports:
      - "9000:9000"
    networks:
      - milvus-network

  standalone:
    container_name: milvus-standalone
    image: swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/milvusdb/milvus:v2.4.5
    # command: ["milvus", "run", "standalone"]
    command: ["/bin/sh", "-c", "sleep 5 && milvus run standalone"]
    depends_on:
      - etcd
      - minio
    ports:
      - "19530:19530"  # Milvus gRPC 接口
      - "9091:9091"    # Milvus HTTP 接口（用于监控等）
    environment:
      - ETCD_ENDPOINTS=etcd:2379
      - MINIO_ADDRESS=minio:9000
      - MINIO_ACCESS_KEY=minioadmin
      - MINIO_SECRET_KEY=minioadmin
      - MILVUS_LOG_LEVEL=debug
    volumes:
      - milvus_data:/var/lib/milvus
    networks:
      - milvus-network

volumes:
  etcd_data:
  minio_data:
  milvus_data:

networks:
  milvus-network:

3.启动 Milvus

docker-compose up -d

---

首次执行会自动拉取所有相关镜像（大概几百 MB 到几个 GB），视网速而定。完成后，你会看到类似：

Creating milvus-etcd         ... done
Creating milvus-minio        ... done
Creating milvus-standalone   ... done

并且你可以通过docker ps命令查看容器运行情况

docker ps --format "table {{.ID}}\t{{.Names}}\t{{.Image}}\t{{.Status}}"

4.验证三组件协同工作的建议测试方案

我们用 PyMilvus 做个完整流程测试（创建集合 → 插入数据 → 搜索 → 删除集合），只要这些操作能顺利完成，就可以确认这三种服务已经协同运行。

---

🧪 步骤一：准备 Python 环境

确保你已经安装了 PyMilvus：

pip install pymilvus -i https://mirrors.aliyun.com/pypi/simple

---

🧪 步骤二：连接到 Milvus

打开 Python 控制台或写一个脚本：

from pymilvus import connections

# 默认连接 milvus-standalone 的 19530 端口
connections.connect("default", host="localhost", port="19530")

如果这里没有报错，说明 milvus-standalone 正常运行。

---

🧪 步骤三：创建向量集合（Collection）

from pymilvus import FieldSchema, CollectionSchema, DataType, Collection

# 定义字段（向量 + 主键）
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=False),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=4)
]

schema = CollectionSchema(fields, description="Test collection")
collection = Collection(name="demo_collection", schema=schema)

print("✅ 集合创建成功")

---

🧪 步骤四：插入向量数据

import random

data = [
    [i for i in range(10)],  # 主键 ID
    [[random.random() for _ in range(4)] for _ in range(10)]  # 向量
]

collection.insert(data)
collection.flush()  # 强制写入 MinIO

print("✅ 数据插入成功")

---

🧪 步骤五：创建索引

index_params = {
    "metric_type": "L2",
    "index_type": "IVF_FLAT",
    "params": {"nlist": 64}
}

collection.create_index(field_name="embedding", index_params=index_params)
print("✅ 索引创建成功")

---

🧪 步骤六：搜索向量

collection.load()

results = collection.search(
    data=[[0.1, 0.2, 0.3, 0.4]],
    anns_field="embedding",
    param={"nprobe": 10},
    limit=3,
    output_fields=["id"]
)

for hits in results:
    for hit in hits:
        print(f"相似向量ID: {hit.id}, 距离: {hit.distance}")

如果你看到正常返回的结果，说明 Milvus 成功完成：

• 使用 etcd 协调元数据
• 使用 minio 存储数据和索引
• 使用 standalone 完成计算和检索

---

🧪 步骤七（可选）：删除集合以测试清理

collection.drop()
print("✅ 集合已删除")

---

完整测试脚本

from pymilvus import (
    connections, FieldSchema, CollectionSchema, DataType, Collection, utility
)
import random

# ---------------------------
# Step 1: 连接 Milvus 服务
# ---------------------------
connections.connect("default", host="localhost", port="19530")
print("[1] 成功连接 Milvus")

# ---------------------------
# Step 2: 定义集合名称与维度
# ---------------------------
collection_name = "test_vector_collection"
dim = 4  # 向量维度

# ---------------------------
# Step 3: 如果集合存在则删除，避免重复创建报错
# ---------------------------
if utility.has_collection(collection_name):
    collection = Collection(name=collection_name)
    collection.drop()
    print(f"[2] 已存在集合 {collection_name}，已删除")

# ---------------------------
# Step 4: 定义字段结构并创建集合
# ---------------------------
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=False),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=dim)
]
schema = CollectionSchema(fields, description="用于测试的向量集合")
collection = Collection(name=collection_name, schema=schema)
print(f"[3] 成功创建集合 {collection_name}")

# ---------------------------
# Step 5: 构造向量并插入数据
# ---------------------------
vectors = [[random.random() for _ in range(dim)] for _ in range(5)]
ids = [i for i in range(5)]
data = [ids, vectors]
collection.insert(data)
print("[4] 成功插入数据")
print("插入的向量：", vectors)

# ---------------------------
# Step 6: 创建索引（必须）
# ---------------------------
index_params = {
    "metric_type": "L2",        # 距离度量方式
    "index_type": "IVF_FLAT",   # 索引类型
    "params": {"nlist": 64}     # IVF 参数
}
collection.create_index(field_name="embedding", index_params=index_params)
print("[5] 成功创建索引")

# ---------------------------
# Step 7: 加载集合到内存
# ---------------------------
collection.load()
print("[6] 成功加载集合")

# ---------------------------
# Step 8: 搜索测试（使用第一条插入向量）
# ---------------------------
results = collection.search(
    data=[vectors[0]],               # 查询向量
    anns_field="embedding",          # 用于 ANN 搜索的字段
    param={"nprobe": 10},            # 搜索参数（用于 IVF）
    limit=3,                         # 返回 Top-3 结果
    output_fields=["id"]             # 返回的附加字段
)

print("[7] 成功搜索，结果如下：")
for result in results[0]:
    print(f"ID: {result.entity.get('id')}, distance: {result.distance}")

命令行运行测试代码

python3 milvus_test.py

示例输出

[1] 成功连接 Milvus
[2] 已存在集合 test_vector_collection，已删除
[3] 成功创建集合 test_vector_collection
[4] 成功插入数据
插入的向量： [[...], [...], ...]
[5] 成功创建索引
[6] 成功加载集合
[7] 成功搜索，结果如下：
ID: 0, distance: 0.0
ID: 3, distance: 0.8123
ID: 1, distance: 0.9285