milvus简易增删改查

insert.js 存储流程（Mermaid 图）

流程要点

1. 前置准备：从 .env 读配置 → 初始化嵌入模型 → 创建 Milvus 客户端。
2. 建集合：定义 6 个字段，其中 vector 必须是 1024 维，与嵌入模型输出一致。
3. 建索引：对 vector 字段建 IVF_FLAT + 余弦相似度索引，这是向量搜索能快的前提。
4. 加载集合：Milvus 是「先加载后查询」模式，加载后才能搜索。
5. 生成向量 + 插入：Promise.all 并发把每条 content 文本转成向量，然后 insert 批量写入。

---

Milvus 增删改查总结（src/ 下 4 个核心方法）

增 —— client.insert()（insert.js）

await client.insert({ collection_name: COLLECTION_NAME, data: diaryData });

前提：先 createCollection 建集合 → createIndex 建向量索引 → loadCollection 加载。插入前要把文本用 embedding 模型转成向量。

删 —— client.delete()（delete.js）

await client.delete({
    collection_name: COLLECTION_NAME,
    filter: `id == "diary_005"`                    // 删单条
    // filter: `id in ["diary_002", "diary_003"]`  // 批量删
    // filter: `mood == "sad"`                     // 条件删
});

filter 是类 SQL 的布尔表达式，等价于 WHERE 子句，灵活度很高。

改 —— client.upsert()（update.js）

const vector = await getEmbedding(updatedContent.content);   // 内容变了，向量必须重算
const updateData = { ...updatedContent, vector };
await client.upsert({ collection_name: COLLECTION_NAME, data: [updateData] });

Milvus 没有 update 方法，更新靠 upsert（按主键 id 判断：存在就覆盖、不存在就插入）。关键点：改了内容必须同步重算 embedding，否则向量检索仍按旧语义匹配。

查 —— client.search()（query.js / rag.js）

const queryVector = await getEmbedding(query);     // 先给"问题文本"转向量
const searchResult = await client.search({
    collection_name: COLLECTION_NAME,
    vector: queryVector,                           // 用向量找向量
    limit: 2,                                      // 返回 top-2
    metric_type: MetricType.COSINE,                // 相似度度量
    output_fields: ['id', 'content', 'date', 'mood', 'tags']  // 要返回的字段
});

查是 Milvus 的核心特色：把问题也转成向量，去库里找"最像的 top-k 条"，每条带 score（相似度分数）。

rag.js 是"查"的进阶用法：search 检索出相关日记 → 拼成上下文 → 丢给 LLM 生成回答（RAG 全流程）。

一句话总结

增用 insert，删用 delete（filter 过滤），改用 upsert（没有 update），查用 search（向量相似度）。前三个都像普通数据库，唯独查彻底不一样——永远在"找最相似的向量"，所以增删改都绕不开向量这个字段。