Agent 工程
Milvus 心智模型
把新術語對映到熟悉的“表、列、行”，再補上向量索引與記憶體載入兩個關鍵概念。
核心物件
| Milvus | 可類比為 | 職責 |
|---|---|---|
| Collection | 表 | 一組具有同一 Schema 的 Entity |
| Schema / Field | 表結構 / 列 | 約束主鍵、向量維數與標量型別 |
| Entity | 行 | 一條業務物件；主鍵必須能穩定定位 |
| Index | 索引 | 加速向量近鄰搜尋 |
一條知識庫 Entity
{
"id": 42, # 主鍵：用於更新、刪除、追蹤
"vector": [0.12, ...], # 向量欄位：用於 Search
"text": "退款通常 3 天入帳",
"category": "refund", # 標量欄位：用於 Filter / Query
"active": true
}
Search、Query、Load 各做什麼
Search
輸入查詢向量，按距離返回 Top-K；可附加 filter='active == true'。答案是“語義上誰最像”。
Query
不傳向量，按主鍵或標量表示式取資料。答案是“哪些記錄滿足條件”。
Load
搜尋前把 collection 的索引與資料準備到查詢節點。建立成功不代表已經可搜，資源不足時也要規劃釋放。
索引選型不是“越高階越好”
| Index | 優勢 | 代價 / 場景 |
|---|---|---|
| FLAT | 精確、無需訓練 | 全量比較；小資料集或 Recall 基線 |
| IVF_FLAT | 透過聚類縮小候選 | 需調 nlist / nprobe；資料量較大、成本可控 |
| HNSW | 高 Recall、低延遲 | 佔更多記憶體且建索引較慢；線上檢索常用 |
生命週期：定義 Schema → 建立 Collection → 寫 Entity → 建 Index → Load → Search / Query。主鍵是業務追蹤錨點，向量欄位負責相似度，標量欄位負責權限、租戶、時間和狀態過濾。
收穫 Search 是“按含義找”，Query 是“按條件取”；Index 解決速度，Load 決定是否進入可查詢狀態。