docker 是 引擎，是底层的基础工具。它用于管理单个容器（Container）的生命周期（构建、运行、停止、删除）。
docker-compose 是 编排工具，是上层的操作界面。它用于定义和运行由多个容器组成的、相互关联的整套应用（Multi-Container Applications）。
| 特性维度 | Docker (CLI) | Docker Compose |
|---|---|---|
| 核心功能 | 管理单个容器和镜像 | 编排多个容器，定义一个完整的应用栈 |
| 操作对象 | 容器、镜像、网络、卷等 | 项目（Project），由 docker-compose.yml 文件定义 |
| 配置方式 | 通过一长串的命令行参数 (-p, -v, --env, --link等) |
通过一个 YAML 配置文件 (docker-compose.yml) |
| 使用场景 | 适合运行单个容器、临时测试、学习命令 | 适合开发、测试、生产环境部署多服务应用（如Webapp + DB + Cache） |
| 依赖关系 | 需要手动用 --link 或自定义网络处理容器间依赖和启动顺序 |
可以自动管理容器间的依赖、网络、启动顺序（depends_on） |
| 复杂度 | 命令冗长复杂，难以记忆和重复 | 配置清晰直观，易于版本管理和共享 |
| 可移植性 | 差，一长串命令不易在不同环境重现 | 极强，一个 docker-compose.yml 文件就能在任何有Docker和Compose的机器上完美重现环境 |
安装并启动docker：
sudo apt update sudo apt install -y docker.io sudo systemctl start docker sudo systemctl enable docker
验证：docker --version
安装docker-compose
sudo apt install -y docker-compose
验证：docker-compose --version
安装Python 3.7+（用于 Milvus Lite 和验证）
sudo apt install -y python3 python3-pip
验证：python3 --version（应显示 3.7 或更高）
Milvus 提供三种部署模式，适合不同场景：
Milvus Lite：像笔记本上的“迷你数据库”，通过 Python 库运行，无需额外服务器，适合快速学习和原型开发。
Milvus Standalone：单机“全能选手”，支持中等规模数据，适合开发、测试或小规模生产。
Milvus Distributed：分布式“超级舰队”，适合亿级向量和企业级场景。
对于 Milvus Standalone，我们将介绍两种安装方式：
Docker（Linux）：通过单个容器快速启动，简单直接。
Docker Compose（Linux）：通过配置文件管理 Milvus 及其依赖（etcd、MinIO），适合自定义配置。
安装方式一：Milvus Lite
pip3 install -U pymilvus
验证安装：
from pymilvus import MilvusClient client = MilvusClient("./milvus_demo.db") print("Milvus Lite connected successfully!")
-
成功后，当前目录生成
milvus_demo.db文件，表示本地数据库已创建.
简单语义搜索验证：
from pymilvus import MilvusClient, CollectionSchema, FieldSchema, DataType client = MilvusClient("./milvus_demo.db") # 创建集合 schema = CollectionSchema(fields=[FieldSchema("id", DataType.INT64, is_primary=True, auto_id=True),FieldSchema("vector", DataType.FLOAT_VECTOR, dim=4) ]) client.create_collection("test_collection", schema) # 插入数据 vectors = [[0.1, 0.2, 0.3, 0.4], [0.2, 0.3, 0.4, 0.5]] client.insert("test_collection", {"vector": vectors}) # 插入数据 client.insert("test_collection", [{"vector": [0.1, 0.2, 0.3, 0.4]},{"vector": [0.2, 0.3, 0.4, 0.5]}]) index_params = MilvusClient.prepare_index_params() index_params.add_index(field_name="vector",index_type="IVF_FLAT",index_name="ivf_flat_index",params={"nlist": 128} ) # 创建索引 client.create_index(collection_name="test_collection",index_params=index_params ) # 搜索 results = client.search("test_collection", data=[[0.1, 0.2, 0.3, 0.4]], limit=1) print(f"Top result: ID {results[0][0]['id']}, Distance {results[0][0]['distance']}")
- 优点：安装简单（一行 pip 命令），资源占用低，适合笔记本（4GB 内存即可）。
- 局限性：不支持分布式部署，数据规模限于百万级，功能较 Standalone 少。
安装方式二：Milvus Standalone —— Docker
Milvus Standalone 通过单个 Docker 容器运行，快速部署单机环境（参考 Standalone Docker 文档）。它像一台“全能服务器”，整合 Milvus 和依赖（etcd、MinIO），适合中等规模数据。
检查 Docker：
docker --version
sudo service docker start
创建工作目录：
mkdir -p /home/milvus
cd /home/milvus
下载安装脚本：
curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/v2.5.11/scripts/standalone_embed.sh -o standalone_embed.sh chmod +x standalone_embed.sh
启动 Milvus：
bash standalone_embed.sh start
- 启动后，
milvus-standalone容器在 19530 端口运行，嵌入 etcd（2379 端口）。 - 数据存储在
/home/milvus/volumes/milvus，配置文件为embedEtcd.yaml.
验证安装：
docker ps
应看到 milvus-standalone 运行。
访问 WebUI：打开浏览器，输入 http://127.0.0.1:9091/webui/，检查界面是否加载。
测试 Python 连接：
pip3 install pymilvus==2.5.8from pymilvus import connections, utility connections.connect(host="localhost", port="19530") print(f"Milvus version: {utility.get_server_version()}")
停止和删除：
bash standalone_embed.sh stop
bash standalone_embed.sh delete
优点与局限性
- 优点：部署快速（几分钟），支持数据持久化，适合开发测试。
- 局限性：配置灵活性有限，不支持分布式扩展。
