要使用Python开发与Milvus向量数据库交互的应用，首先需要确保你已经安装了Milvus和相应的Python客户端库。以下是一个简单的示例，展示如何使用Python连接到Milvus数据库，创建一个集合（collection），并插入一些向量数据。`

有了向量数据库，下一步就该在数据库里创建表，向量库里的表叫集合（Collection），对应关系型数据库的表，这跟mongo库一样，下面先把重要知识点梳理一下： 一、核心概念 集合（Collection）：类似关系型数据库的「表」，是存储向量数据和标量数据的基本单元。 Schema（模式）：集合的「结构定义」，规定了集合中字段的名称、数据类型、主键、向量维度等核心属性。 索引（Index）：为提升向量 / 标量查询效率而创建的特殊数据结构，Milvus 支持多种索引类型适配不同场景。 加载状态（Load State）：Milvus 的集合需要加载到内存才能提供查询服务，分为 Loaded（已加载）和 NotLoaded（未加载）两种状态。 二、向量集合的特点（关键知识点） 主键字段：每个集合必须有且仅有一个主键字段，支持 INT64/VARCHAR 类型，auto_id=False 表示主键需手动赋值（True 则由 Milvus 自动生成）； 向量字段：Milvus 核心字段，支持 FLOAT_VECTOR（浮点型）和 BINARY_VECTOR（二进制），dim 必须与插入的向量维度一致（如 512、768 等）； 动态字段：enable_dynamic_field=True 是 Milvus 的灵活特性，允许插入 Schema 中未定义的字段（如临时新增的标签、权重等），适合数据结构不固定的场景。 三、索引 标量索引：主键 / 字符串等标量字段常用 STL_SORT（排序索引），适合等值、范围查询； 向量索引：metric_type（度量类型）：COSINE（余弦相似度）适合文本向量，L2（欧氏距离）适合图片向量，需根据业务场景选择。 四、加载和分片 加载状态：创建集合时传入 index_params 会自动加载集合到内存（Loaded），无索引则需后续手动调用 client.load_collection() 加载； 分片（Shard）：num_shards 用于将集合数据拆分到多个分片，提升并发写入 / 查询性能，分片数需根据数据量和集群节点数调整（单节点集群建议设为 1）。