阿里云向量检索服务 Milvus 版 2.5 版本在信息检索领域带来重大升级，全面兼容开源 Milvus，并新增了原生全文检索功能。通过集成高性能搜索引擎库 Tantivy 和 Sparse-BM25 算法，Milvus 2.5 能够直接处理文本输入，自动完成分词、停用词过滤和稀疏向量提取，并支持实时 BM25 统计，确保搜索结果的实时性和准确性。该版本在混合检索方面表现尤为突出，能将向量相似性搜索与关键词匹配相结合，通过 RRF 算法融合多种检索结果，显著提升了在多模态检索和 RAG 应用中的召回率与精确性。

✨ Milvus 2.5 原生支持全文检索：通过集成 Tantivy 和 Sparse-BM25 算法，Milvus 2.5 首次实现了原生全文检索功能。它内置分词器，可直接接受文本输入，自动完成分词、停用词过滤和稀疏向量提取，并实时更新词频与逆文档频率，确保搜索的实时性和准确性。

🚀 混合检索性能显著提升：Milvus 2.5 结合了近似最近邻（ANN）算法的稀疏向量检索和稠密向量检索，性能远超传统关键词系统，支持亿级数据毫秒级响应。这使得在多模态检索和 RAG 等场景下，能够同时兼顾召回率与精确性，提供更全面的检索体验。

🎯 关键词匹配与向量搜索协同：新版本引入了关键词匹配功能，用户可在定义 Schema 时设置 enable_analyzer 和 enable_match 为 True。这允许关键词检索与向量相似性搜索结合，通过过滤表达式缩小搜索范围，从而提高搜索性能。例如，可使用 `TEXT_MATCH` 表达式进行精确的关键词匹配。

💡 RAG 应用优化与 RRF 融合：Milvus 2.5 在 RAG 应用的 Retrieve 阶段表现出色，通过 Reciprocal Rank Fusion（RRF）算法融合向量搜索和全文检索的结果，优化排序和权重分配，有效提升了数据召回率和精确性，为构建更智能的问答系统提供了有力支持。

随着大数据时代的到来，信息检索技术在各个领域中扮演着越来越重要的角色。阿里云向量检索服务Milvus 版作为一款高性能的向量检索引擎，100%兼容开源Milvus，凭借其开箱即用、灵活扩展和全链路告警能力，成为企业大规模AI向量数据相似性检索服务的理想选择。其最新版本 2.5 在全文检索、关键词匹配以及混合检索（Hybrid Search）方面实现了显著的增强，在多模态检索、RAG等多场景中检索结果能够兼顾召回率与精确性。本文将详细介绍如何利用 Milvus 2.5 版本实现这些功能，并阐述其在RAG 应用的 Retrieve 阶段的最佳实践。

背景信息

Milvus 2.5 集成了高性能搜索引擎库 Tantivy，并内置 Sparse-BM25 算法，首次实现了原生全文检索功能。这一能力与现有的语义搜索功能完美互补，为用户提供更强大的检索体验。

内置分词器：无需额外预处理，通过内置分词器（Analyzer）与稀疏向量提取能力，Milvus 可直接接受文本输入，自动完成分词、停用词过滤与稀疏向量提取。

实时 BM25 统计：数据插入时动态更新词频（TF）与逆文档频率（IDF），确保搜索结果的实时性与准确性。

混合搜索性能增强：基于近似最近邻（ANN）算法的稀疏向量检索，性能远超传统关键词系统，支持亿级数据毫秒级响应，同时兼容与稠密向量的混合查询。

前提条件

已创建内核版本为2.5的Milvus实例。具体操作，请参见快速创建Milvus实例。

已开通服务并获得API-KEY。具体操作，请参见API-KEY的获取与配置。

使用限制

适用于内核版本为2.5及之后版本的Milvus实例。

适用于pymilvus 的 Python SDK 版本为 2.5 及之后版本。

您可以执行以下命令来检查当前安装的版本。

pip3 show pymilvus

如果版本低于2.5，请使用以下命令更新。

pip3 install --upgrade pymilvus

操作流程

步骤一：安装依赖库

pip3 install pymilvus langchain dashscope

步骤二：数据准备

本文以 Milvus 官方文档作为示例，通过 LangChain SDK 切分文本，作为 Embedding 模型 text-embedding-v2 的输入，并将 Embedding 的结果和原始文本一起插入到 Milvus 中。

from langchain_community.document_loaders import WebBaseLoaderfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain_community.embeddings import DashScopeEmbeddingsfrom pymilvus import MilvusClient, DataType, Function, FunctionTypedashscope_api_key = "<YOUR_DASHSCOPE_API_KEY>"milvus_url = "<YOUR_MMILVUS_URL>"user_name = "root"password = "<YOUR_PASSWORD>"collection_name = "milvus_overview"dense_dim = 1536loader = WebBaseLoader([    'https://raw.githubusercontent.com/milvus-io/milvus-docs/refs/heads/v2.5.x/site/en/about/overview.md'])docs = loader.load()text_splitter = RecursiveCharacterTextSplitter(chunk_size=1024, chunk_overlap=256)# 使用LangChain将输入文档安照chunk_size切分all_splits = text_splitter.split_documents(docs)embeddings = DashScopeEmbeddings(    model="text-embedding-v2", dashscope_api_key=dashscope_api_key)text_contents = [doc.page_content for doc in all_splits]vectors = embeddings.embed_documents(text_contents)client = MilvusClient(    uri=f"http://{milvus_url}:19530",    token=f"{user_name}:{password}",)schema = MilvusClient.create_schema(    enable_dynamic_field=True,)analyzer_params = {    "type": "english"}# Add fields to schemaschema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True, auto_id=True)schema.add_field(field_name="text", datatype=DataType.VARCHAR, max_length=65535, enable_analyzer=True, analyzer_params=analyzer_params, enable_match=True)schema.add_field(field_name="sparse_bm25", datatype=DataType.SPARSE_FLOAT_VECTOR)schema.add_field(field_name="dense", datatype=DataType.FLOAT_VECTOR, dim=dense_dim)bm25_function = Function(   name="bm25",   function_type=FunctionType.BM25,   input_field_names=["text"],   output_field_names="sparse_bm25",)schema.add_function(bm25_function)index_params = client.prepare_index_params()# Add indexesindex_params.add_index(    field_name="dense",    index_name="dense_index",    index_type="IVF_FLAT",    metric_type="IP",    params={"nlist": 128},)index_params.add_index(    field_name="sparse_bm25",    index_name="sparse_bm25_index",    index_type="SPARSE_WAND",    metric_type="BM25")# Create collectionclient.create_collection(    collection_name=collection_name,    schema=schema,    index_params=index_params)data = [    {"dense": vectors[idx], "text": doc}    for idx, doc in enumerate(text_contents)]# Insert datares = client.insert(    collection_name=collection_name,    data=data)print(f"生成 {len(vectors)} 个向量，维度：{len(vectors[0])}")

本文示例涉及以下参数，请您根据实际环境替换。

该示例使用了Milvus 2.5最新的能力，通过创建 bm25_function 对象，Milvus就可以自动地将文本列转换为稀疏向量。

同样，在处理中文文档时，Milvus 2.5版本也支持指定相应的中文分析器。

重要

在Schema中完成Analyzer的设置后，该设置将对该Collections永久生效。如需设置新的Analyzer，则必须重新创建Collection。

# 定义分词器参数analyzer_params = {    "type": "chinese"  # 指定分词器类型为中文}# 添加文本字段到 Schema，并启用分词器schema.add_field(    field_name="text",                      # 字段名称    datatype=DataType.VARCHAR,              # 数据类型：字符串（VARCHAR）    max_length=65535,                       # 最大长度：65535 字符    enable_analyzer=True,                   # 启用分词器    analyzer_params=analyzer_params         # 分词器参数)

步骤三：全文检索

在 Milvus 2.5 版本中，您可以很方便地通过相关 API 使用最新的全文检索能力。代码示例如下所示。

from pymilvus import MilvusClient# 创建Milvus Client。client = MilvusClient(    uri="http://c-xxxx.milvus.aliyuncs.com:19530",  # Milvus实例的公网地址。    token="<yourUsername>:<yourPassword>",  # 登录Milvus实例的用户名和密码。    db_name="default"  # 待连接的数据库名称，本文示例为默认的default。)search_params = {    'params': {'drop_ratio_search': 0.2},}full_text_search_res = client.search(    collection_name='milvus_overview',    data=['what makes milvus so fast?'],    anns_field='sparse_bm25',    limit=3,    search_params=search_params,    output_fields=["text"],)for hits in full_text_search_res:    for hit in hits:        print(hit)        print("\n")"""{'id': 456165042536597485, 'distance': 6.128782272338867, 'entity': {'text': '## What Makes Milvus so Fast？\n\nMilvus was designed from day one to be a highly efficient vector database system. In most cases, Milvus outperforms other vector databases by 2-5x (see the VectorDBBench results). This high performance is the result of several key design decisions:\n\n**Hardware-aware Optimization**: To accommodate Milvus in various hardware environments, we have optimized its performance specifically for many hardware architectures and platforms, including AVX512, SIMD, GPUs, and NVMe SSD.\n\n**Advanced Search Algorithms**: Milvus supports a wide range of in-memory and on-disk indexing/search algorithms, including IVF, HNSW, DiskANN, and more, all of which have been deeply optimized. Compared to popular implementations like FAISS and HNSWLib, Milvus delivers 30%-70% better performance.'}}{'id': 456165042536597487, 'distance': 4.760214805603027, 'entity': {'text': "## What Makes Milvus so Scalable\n\nIn 2022, Milvus supported billion-scale vectors, and in 2023, it scaled up to tens of billions with consistent stability, powering large-scale scenarios for over 300 major enterprises, including Salesforce, PayPal, Shopee, Airbnb, eBay, NVIDIA, IBM, AT&T, LINE, ROBLOX, Inflection, etc.\n\nMilvus's cloud-native and highly decoupled system architecture ensures that the system can continuously expand as data grows:\n\n![Highly decoupled system architecture of Milvus](../../../assets/highly-decoupled-architecture.png)"}}"""

步骤四：关键词匹配

关键词匹配是Milvus 2.5所提供的一项全新功能，该功能可以与向量相似性搜索相结合，从而缩小搜索范围并提高搜索性能。如果您希望使用关键词检索功能，则在定义模式时需要将enable_analyzer和enable_match 同时设置为True。

重要

开启 enable_match 会为该字段创建倒排索引，这将消耗额外的存储资源。

示例1：结合向量搜索的关键词匹配

在此代码示例片段中，我们使用过滤表达式限制搜索结果仅包含与指定词语 “query” 和 “node” 匹配的文档。之后，向量相似性搜索会在已过滤的文档子集上进行。

filter = "TEXT_MATCH(text, 'query') and TEXT_MATCH(text, 'node')"text_match_res = client.search(    collection_name="milvus_overview",    anns_field="dense",    data=query_embeddings,    filter=filter,    search_params={"params": {"nprobe": 10}},    limit=2,    output_fields=["text"])

示例2：标量过滤查询

关键词匹配还可以用于查询操作中的标量过滤。通过在query() 中指定TEXT_MATCH 表达式，您可以检索与给定词语匹配的文档。在这个代码示例片段中，过滤表达式将搜索结果限制为仅包含与 “scalable” 或 “fast” 匹配的文档。

filter = "TEXT_MATCH(text, 'scalable fast')"text_match_res = client.query(    collection_name="milvus_overview",    filter=filter,    output_fields=["text"])

步骤五：混合检索与RAG

结合向量搜索和全文检索，通过 RRF（Reciprocal Rank Fusion） 算法融合向量和文本检索结果，重新优化排序和权重分配，提升数据召回率和精确性。

代码示例如下所示。

from pymilvus import MilvusClientfrom pymilvus import AnnSearchRequest, RRFRankerfrom langchain_community.embeddings import DashScopeEmbeddingsfrom dashscope import Generation# 创建Milvus Client。client = MilvusClient(    uri="http://c-xxxx.milvus.aliyuncs.com:19530",  # Milvus实例的公网地址。    token="<yourUsername>:<yourPassword>",  # 登录Milvus实例的用户名和密码。    db_name="default"  # 待连接的数据库名称，本文示例为默认的default。)collection_name = "milvus_overview"# 替换为您的 DashScope API-KEYdashscope_api_key = "<YOUR_DASHSCOPE_API_KEY>"# 初始化 Embedding 模型embeddings = DashScopeEmbeddings(    model="text-embedding-v2",  # 使用text-embedding-v2模型。    dashscope_api_key=dashscope_api_key)# Define the queryquery = "Why does Milvus run so scalable?"# Embed the query and generate the corresponding vector representationquery_embeddings = embeddings.embed_documents([query])# Set the top K result counttop_k = 5  # Get the top 5 docs related to the query# Define the parameters for the dense vector searchsearch_params_dense = {    "metric_type": "IP",    "params": {"nprobe": 2}}# Create a dense vector search requestrequest_dense = AnnSearchRequest([query_embeddings[0]], "dense", search_params_dense, limit=top_k)# Define the parameters for the BM25 text searchsearch_params_bm25 = {    "metric_type": "BM25"}# Create a BM25 text search requestrequest_bm25 = AnnSearchRequest([query], "sparse_bm25", search_params_bm25, limit=top_k)# Combine the two requestsreqs = [request_dense, request_bm25]# Initialize the RRF ranking algorithmranker = RRFRanker(100)# Perform the hybrid searchhybrid_search_res = client.hybrid_search(    collection_name=collection_name,    reqs=reqs,    ranker=ranker,    limit=top_k,    output_fields=["text"])# Extract the context from hybrid search resultscontext = []print("Top K Results:")for hits in hybrid_search_res:  # Use the correct variable here    for hit in hits:        context.append(hit['entity']['text'])  # Extract text content to the context list        print(hit['entity']['text'])  # Output each retrieved document# Define a function to get an answer based on the query and contextdef getAnswer(query, context):    prompt = f'''Please answer my question based on the content within:    ```    {context}    ```    My question is: {query}.    '''    # Call the generation module to get an answer    rsp = Generation.call(model='qwen-turbo', prompt=prompt)    return rsp.output.text# Get the answeranswer = getAnswer(query, context)print(answer)# Expected output excerpt"""Milvus is highly scalable due to its cloud-native and highly decoupled system architecture. This architecture allows the system to continuously expand as data grows. Additionally, Milvus supports three deployment modes that cover a wide..."""