零基础学AI大模型之Milvus部署架构选型+Linux实战：Docker一键部署+WebUI使用
| 大家好，我是工藤学编程 🦉 | 一个正在努力学习的小博主，期待你的关注 |
|---|---|
| 实战代码系列最新文章😉 | C++实现图书管理系统（Qt C++ GUI界面版） |
| SpringBoot实战系列🐷 | 【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案 |
| 分库分表 | 分库分表之实战-sharding-JDBC分库分表执行流程原理剖析 |
| 消息队列 | 深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK） |
| AI大模型 | 零基础学AI大模型之Milvus核心：分区-分片-段结构全解+最佳实践 |
前情摘要
前情摘要
1、零基础学AI大模型之读懂AI大模型
2、零基础学AI大模型之从0到1调用大模型API
3、零基础学AI大模型之SpringAI
4、零基础学AI大模型之AI大模型常见概念
5、零基础学AI大模型之大模型私有化部署全指南
6、零基础学AI大模型之AI大模型可视化界面
7、零基础学AI大模型之LangChain
8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路
9、零基础学AI大模型之Prompt提示词工程
10、零基础学AI大模型之LangChain-PromptTemplate
11、零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战
12、零基础学AI大模型之LangChain链
13、零基础学AI大模型之Stream流式输出实战
14、零基础学AI大模型之LangChain Output Parser
15、零基础学AI大模型之解析器PydanticOutputParser
16、零基础学AI大模型之大模型的“幻觉”
17、零基础学AI大模型之RAG技术
18、零基础学AI大模型之RAG系统链路解析与Document Loaders多案例实战
19、零基础学AI大模型之LangChain PyPDFLoader实战与PDF图片提取全解析
20、零基础学AI大模型之LangChain WebBaseLoader与Docx2txtLoader实战
21、零基础学AI大模型之RAG系统链路构建：文档切割转换全解析
22、零基础学AI大模型之LangChain 文本分割器实战：CharacterTextSplitter 与 RecursiveCharacterTextSplitter 全解析
23、零基础学AI大模型之Embedding与LLM大模型对比全解析
24、零基础学AI大模型之LangChain Embedding框架全解析
25、零基础学AI大模型之嵌入模型性能优化
26、零基础学AI大模型之向量数据库介绍与技术选型思考
27、零基础学AI大模型之Milvus向量数据库全解析
28、零基础学AI大模型之Milvus核心：分区-分片-段结构全解+最佳实践
本文章目录
- 前情摘要
- 零基础学AI大模型之Milvus部署架构选型+Linux实战：Docker一键部署+WebUI使用
- 一、部署架构选型：按项目阶段选对方案
- 1. 三大核心部署方案对比
- 2. 额外选择：云服务版（懒人首选）
- 3. 选型建议
- 二、Milvus分层架构：看懂部署的核心组件
- 1. 分层架构图解（简化版）
- 2. 核心组件作用（新手无需深入，了解即可）
- 三、Linux实战：Docker一键部署Milvus Standalone
- 1. 部署前准备
- 2. 部署步骤（全程命令行操作）
- 步骤1：下载部署脚本
- 步骤2：执行脚本启动Milvus
- 步骤3：验证部署是否成功
- 3. 常用脚本命令（后续管理用）
- 4. 数据存储说明
- 四、Milvus WebUI使用：验证服务与查看信息
- 1. 访问WebUI
- 2. WebUI核心功能（新手重点关注）
- 3. 补充：数据操作工具推荐
- 五、部署关键注意事项（避坑指南）
- 六、核心总结
零基础学AI大模型之Milvus部署架构选型+Linux实战：Docker一键部署+WebUI使用
上一篇我们吃透了Milvus的“分区-分⽚-段”核心结构，知道了它如何高效组织海量数据。但理论再好，落地才是关键——到底该选哪种部署方式？Linux服务器上怎么快速部署？部署后怎么验证是否成功？今天就来解决这些“落地问题”，从部署架构选型到Linux Docker实战，再到WebUI使用，一步步带你搞定Milvus部署，新手也能跟着做！
一、部署架构选型：按项目阶段选对方案
Milvus提供多种部署选项，核心是“按需选择”——不同项目规模、不同阶段，对应不同部署方式，不用盲目追求复杂架构。
1. 三大核心部署方案对比
| 部署方案 | 适用场景 | 支持数据量 | 核心优势 | 限制 |
|---|---|---|---|---|
| Milvus Lite | 快速原型开发、Jupyter Notebook测试、边缘设备 | 最多几百万向量 | 轻量（Python库）、无需复杂部署、一键启动 | 不支持Windows系统、无高可用 |
| Milvus Standalone（单机版） | 个人学习、小团队测试、中型项目（非核心业务） | 最高1亿向量 | Docker一键部署、组件集成、支持主从复制高可用 | 横向扩展能力有限 |
| Milvus Distributed（分布式版） | 企业级生产、核心业务、大规模数据 | 1亿-千亿向量 | 云原生架构、水平扩展、冗余备份、高性能 | 部署复杂、需K8S集群、运维成本高 |
2. 额外选择：云服务版（懒人首选）
如果不想自己搭建和运维，直接选择云厂商提供的Milvus服务（如阿里云Milvus），开箱即用，支持弹性扩容，适合企业快速落地。
官方链接：阿里云Milvus文档
3. 选型建议
- 新手/学习者：优先选Milvus Standalone，部署简单，能覆盖大部分学习和测试场景；
- 原型开发：用Milvus Lite，直接集成到Python代码，快速验证想法；
- 生产环境：数据量1亿以下且预算有限，用Standalone+主从复制；数据量超1亿或核心业务，用Distributed（K8S部署）或云服务。
二、Milvus分层架构：看懂部署的核心组件
不管哪种部署方案（Docker版），核心分层架构都一致，只是分布式版会将组件拆分到不同节点，单机版打包在一个容器中。
1. 分层架构图解（简化版）
┌───────────────────────────────┐
│ Coordinator（协调层） │ → 管理元数据、调度任务、负载均衡
├───────────────┬───────────────┤
│ Query Node │ Data Node │ → 业务层：Query Node处理查询，Data Node处理数据存储
├───────────────┴───────────────┤
│ Object Storage（存储层） │ → 持久化存储：支持MinIO、AWS S3等
└───────────────────────────────┘
2. 核心组件作用（新手无需深入，了解即可）
- Coordinator：整个系统的“大脑”，管理集群元数据（如Collection、分区信息），分配任务给其他节点；
- Query Node：“查询执行者”，处理向量搜索、标量过滤，支持内存索引和GPU加速；
- Data Node：“数据管理者”，处理数据插入、日志持久化，保障数据一致性；
- Object Storage：“数据仓库”，存储持久化数据，避免容器重启后数据丢失。
三、Linux实战：Docker一键部署Milvus Standalone
这是最适合新手的部署方式，全程用脚本操作，无需手动配置组件，以阿里云Linux服务器为例（其他Linux发行版通用）。
1. 部署前准备
- 服务器要求：Linux系统（CentOS、Ubuntu均可），建议2核4G以上配置（学习测试足够）；
- 开放端口：云服务器（如阿里云）需在安全组开放3个端口——2379（etcd端口）、9091（WebUI端口）、19530（Milvus服务端口）；
- 依赖检查：服务器已安装Docker（若未安装，脚本会自动处理，无需手动操作）；
- 版本注意：必须和课程保持一致，避免兼容性问题，下文脚本已适配稳定版本。
2. 部署步骤（全程命令行操作）
步骤1：下载部署脚本
下载官方整合脚本
curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh -o standalone_embed.sh
步骤2：执行脚本启动Milvus
下载完成后，执行以下命令启动服务（无需修改，直接复制）：
# 给脚本执行权限（若提示权限不足时执行）
chmod +x standalone_embed.sh
# 启动Milvus服务
bash standalone_embed.sh start
- 执行过程：脚本会自动拉取镜像、创建容器，耐心等待3-5分钟（取决于服务器带宽）；
- 成功标识：命令行输出“Milvus standalone started successfully”，表示启动成功。
步骤3：验证部署是否成功
# 查看Docker容器状态
docker ps | grep milvus
- 若输出包含“milvusdb/milvus-standalone”，且状态为“Up”，说明服务正常运行；
- 核心端口验证：用
netstat -tuln | grep 19530，若能看到端口监听，说明服务端口已开放。
3. 常用脚本命令（后续管理用）
# 停止Milvus服务
bash standalone_embed.sh stop
# 重启Milvus服务
bash standalone_embed.sh restart
# 删除Milvus服务（含数据，谨慎使用）
bash standalone_embed.sh delete
# 升级Milvus版本（需群内提供新版本脚本）
bash standalone_embed.sh upgrade
4. 数据存储说明
- 数据卷路径：Milvus数据默认映射到当前目录的
volumes/milvus文件夹； - 数据安全性：容器重启或重建时，数据不会丢失（存储在宿主机文件夹）；
- 备份建议：重要数据定期备份
volumes/milvus文件夹，避免服务器故障导致数据丢失。
四、Milvus WebUI使用：验证服务与查看信息
部署成功后，通过WebUI可快速查看服务状态，无需命令行操作。
1. 访问WebUI
打开浏览器，输入地址：http://服务器IP:9091/webui（示例：http://127.0.0.1:9091/webui/）
- 注意：服务器IP需是公网IP（云服务器），若为内网服务器，需在同一内网访问；
- 无需登录：默认无权限校验，直接访问即可。
2. WebUI核心功能（新手重点关注）
Milvus WebUI是内置工具，功能简洁，主要用于“验证服务”和“查看基础信息”，不支持数据操作（如创建Collection、插入数据）：
- 运行环境：查看Milvus版本、服务器配置、组件状态（Coordinator、Query Node等是否正常）；
- 数据详情：查看已创建的Collection、分区、分片信息；
- 任务监控：查看查询任务、插入任务的执行状态，以及慢查询记录（便于排查性能问题）。
3. 补充：数据操作工具推荐
若需可视化操作数据（创建Collection、插入向量、执行查询），推荐使用Attu工具（Milvus官方可视化客户端），支持Windows/Mac/Linux，后续会单独出实战教程。
五、部署关键注意事项（避坑指南）
- 权限校验：默认部署无权限校验，生产环境务必部署在内网，或配置IP白名单，避免公网暴露；
- 端口开放：云服务器必须在安全组开放3个端口（2379、9091、19530），否则无法访问服务和WebUI；
- 版本兼容：必须使用课程指定版本的脚本，不同版本的API和配置可能不兼容，导致后续实战报错；
- 资源配置：学习测试建议2核4G以上，若数据量超过1000万，建议升级到4核8G，避免内存不足；
六、核心总结
- 部署选型：新手优先Milvus Standalone（Docker一键部署），原型开发用Milvus Lite，生产环境选分布式版或云服务；
- 实战关键：下载正确脚本、开放端口、验证容器状态，三步搞定部署；
- WebUI作用：仅用于查看服务状态和基础信息，数据操作需用Attu或代码调用API；
