Milvus 学习路线

核心：架构 / 索引选型 / 混合检索 / 容量规划 常用：多租户 / 运维 / 故障处置 进阶：2.6 新特性（RaBitQ、分层存储、Woodpecker）

适用版本：Milvus 2.6.x（2025-06 发布）。更高版本以官方 Release Notes 为准。

阅读顺序

L1 先知道它长什么样
  → 01-架构与核心概念      ← Proxy / Coordinator / Worker / 对象存储 / WAL
       ↓
L2 再理解"为什么快、为什么不准"
  → 02-索引与向量检索      ← HNSW / IVF / DiskANN / 量化 / 召回率
       ↓
L3 然后理解真实检索怎么组织
  → 03-混合检索与多租户    ← 稠密+稀疏、RRF、partition key、标量过滤
       ↓
L4 最后面对生产
  → 04-生产运维与容量规划  ← 部署形态、内存测算、备份、常见故障
  → 06-监控指标与告警      ← 六层指标、雪崩链、告警阈值与处置顺序
       ↓
L5 落到业务
  → 05-RAG落地与选型       ← 切分、embedding、重排、评测、与 pgvector/ES 对比

每篇的产物

篇	读完能拿到
01	能画出写入与查询两条链路，说清每个组件挂了会怎样
02	能按数据规模、内存、过滤强度选出索引类型并调参
03	能设计一个多租户 + 混合检索的 collection
04	能算出内存与节点数，能处理「collection 未加载」「查询变慢」
05	能搭一条可评测的 RAG 召回链路，能判断该不该上 Milvus
06	能按六层指标定位瓶颈，能解释 growing 段、索引积压、对象存储变慢如何演变成查询不可用

前置

• 向量与相似度的基本概念（余弦、内积、L2 的区别）
• Docker / Docker Compose
• Python（示例用 pymilvus）

一句话定位

Milvus 是计算存储分离的向量数据库：向量和标量落在对象存储，索引与查询在计算节点，元数据在 etcd，写入顺序由 WAL 保证。它换来的能力是弹性扩缩和十亿级规模，代价是组件多、运维比单机库重。

如果你只需要「几百万条向量 + 已有 PostgreSQL」，先看 PgSQL 与 AI，不一定需要 Milvus。

生产检查清单

上线前、运行中、故障时逐条核对：99-生产检查清单。