如何使用Python-Milvus向量数据库进行向量范围搜索？

Milvus 向量数据库实践：范围搜索（Range Search）详解 在构建基于向量检索的应用时，我们通常需要从海量向量中找到与查询向量最相似的 Top-K 个结果。然而，在某些场景下，我们不仅需要“最相似”的结果，还需要对相似度设置一个阈值范围，只返回相似度在一定区间内的向量。这就是范围搜索（Range Search）的用武之地。 范围搜索的核心：radius 与 range_filter 范围搜索不同于传统的 Top-K 检索，它允许你划定一个距离区间，只返回落在这个区间内的向量。但距离的含义取决于所选的度量类型。Milvus 支持多种距离度量，如欧氏距离（L2）、内积（IP）、余弦距离（COSINE）等。不同的度量类型对 radius 和 range_filter 的语义和取值要求不同。 Milvus 中 COSINE 度量返回的是余弦相似度 在 Milvus 中： metric_type="COSINE" 计算的是余弦相似度（Cosine Similarity），而不是余弦距离。 余弦相似度的取值范围是 [-1, 1]（当向量被归一化后，取值范围为 [0, 1]，因为非负向量内积非负）。值越大表示两个向量越相似，最大值为 1（向量完全相同）。 对于 COSINE 度量，Milvus 要求： range_filter 必须大于 radius，否则会触发断言错误。这是因为区间定义为 (radius, range_filter]，即距离大于 radius 且小于等于 range_filter。如果 range_filter ≤ radius，区间为空或逻辑错误。 在示例中： radius = 0.4：过滤掉距离 ≤ 0.4 的高相似度结果（因为距离越小越相似，所以距离 ≤ 0.4 意味着余弦相似度很高，可能接近于1）。 range_filter = 0.9：过滤掉距离 > 0.9 的低相似度结果。 最终返回的是余弦距离在 (0.4, 0.9] 之间的向量。 为什么要有这个限制？ 假设你想找出所有与查询向量“比较相似但不完全一致”的向量，就可以设置一个下限（例如 0.4），排除掉那些过于相似的（可能包含查询自身或重复数据），同时设置一个上限（例如 0.9），排除掉那些不太相关的。这种灵活的区间控制在实际业务中非常有用，例如去重、异常检测、多样性采样等。 注意事项 集合必须加载：执行 search 前务必调用 load_collection，否则会报错。 度量类型一致性：search_params 中的参数解释依赖于集合创建时指定的度量类型。如果不确定，可以通过 describe_collection 查看。 参数顺序与逻辑：对于 COSINE 度量，务必确保 range_filter > radius。对于其他度量（如 L2），规则可能不同，需参考官方文档。 范围与 limit 的关系：范围搜索先根据区间过滤，然后从符合条件的结果中取前 limit 个。如果区间内结果不足 limit，则返回实际数量（可能少于 limit）。 性能考虑：范围搜索需要扫描满足距离条件的向量，相比普通 Top-K 可能略慢，但在合理索引支持下仍能高效执行。