Milvus Agent 知识库

设置

pip install pymilvus

初始化 Milvus

设置 Milvus 服务器的 uri 和 token。

• 如果您只需要用于线下小规模数据或原型设计的本地矢量数据库，将 uri 设置为本地文件路径（例如 ./milvus.db）是最便捷的方式，它会自动利用 Milvus Lite 将所有数据存储在该文件中。
• 如果您有大规模数据，例如超过一百万个向量，您可以参考 Docker 或 Kubernetes 来设置更高效的 Milvus 服务器。 在此设置中，请使用服务器地址和端口作为您的 uri，例如 http://localhost:19530。如果您在 Milvus 中启用了身份验证功能，请使用 your_username:your_password 作为 token；否则，请勿设置 token。
• 如果您使用 Zilliz Cloud，即 Milvus 的全托管云服务，请相应调整 uri 和 token。这些值对应于 Zilliz Cloud 中的 公共端点和 API 密钥。

示例

agent_with_knowledge.py

from agno.agent import Agent
from agno.knowledge.pdf_url import PDFUrlKnowledgeBase
from agno.vectordb.milvus import Milvus

vector_db = Milvus(
    collection="recipes",
    uri="./milvus.db",
)
# 创建知识库
knowledge_base = PDFUrlKnowledgeBase(
    urls=["https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
    vector_db=vector_db,
)

knowledge_base.load(recreate=False)  # 首次运行后注释掉此行

# 创建并使用 Agent
agent = Agent(knowledge=knowledge_base, use_tools=True, show_tool_calls=True)
agent.print_response("How to make Tom Kha Gai", markdown=True)
agent.print_response("What was my last question?", stream=True)

异步支持 ⚡

Milvus 也支持异步操作，可以实现并发，从而获得更好的性能。

async_milvus_db.py

# 安装 pymilvus - `pip install pymilvus`
import asyncio

from agno.agent import Agent
from agno.knowledge.pdf_url import PDFUrlKnowledgeBase
from agno.vectordb.milvus import Milvus

# 使用本地文件初始化 Milvus
vector_db = Milvus(
    collection="recipes",
    uri="tmp/milvus.db",  # 用于基于本地文件的存储
)

# 创建知识库
knowledge_base = PDFUrlKnowledgeBase(
    urls=["https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
    vector_db=vector_db,
)

# 使用知识库创建 Agent
agent = Agent(knowledge=knowledge_base)

if __name__ == "__main__":
    # 异步加载知识库
    asyncio.run(knowledge_base.aload(recreate=False))  # 首次运行后注释掉此行

    # 异步查询 Agent
    asyncio.run(agent.aprint_response("How to make Tom Kha Gai", markdown=True))

在吞吐量高的应用中，请使用 aload() 和 aprint_response() 方法配合 asyncio.run() 来实现非阻塞操作。

Milvus 参数

参数	类型	描述	默认值
collection	str	Milvus collection 的名称	Required
embedder	Optional[Embedder]	用于嵌入文档的 embedder	OpenAIEmbedder()
distance	Distance	用于向量相似度的距离度量	Distance.cosine
uri	str	Milvus 服务器的 URI 或本地文件路径	"http://localhost:19530"
token	Optional[str]	与 Milvus 服务器进行身份验证的 token	None

高级选项可以通过额外的关键字参数传递给 MilvusClient 构造函数。

开发者资源

• 查看 Cookbook (同步)
• 查看 Cookbook (异步)