🌞 我造了一个"AI 日记本"：用向量数据库 Milvus 让 AI 能"记住"你的心情

写在前面：之前我们做 RAG，向量存在内存里（MemoryVectorStore），数据一重启就没了。老师说："内存向量存储是学习用的，生产环境要用真正的向量数据库。" 今天的主角是 Milvus（Zilliz Cloud）——一个专为海量高维向量数据设计的开源数据库。我们做了一个"AI 日记本"：把日记存进 Milvus，然后问 AI "我最近做了什么快乐的事"，AI 自动检索相关日记、结合内容、生成温暖的回答。当看到 AI 准确地说出"你 1 月 10 日去公园散步很开心，1 月 13 日做晚饭很有成就感"时，我整个人都惊了——这不就是 AI 版的"懂你"吗？

---

一、从内存到真正的向量数据库

1.1 之前的问题

之前我们做 RAG，用的是 MemoryVectorStore：

const vectorStore = await MemoryVectorStore.fromDocuments(documents, embeddings);

老师说：

"内存向量数据库——学习用，轻量。生产环境要用真正的向量数据库，像 MySQL 之于 Web 应用一样。"

内存向量存储的问题：

问题	说明	比喻
数据不持久	服务重启，数据全丢	写在沙子上，潮水一冲就没了
容量有限	受内存限制，不能存太多	书包就这么大，装不了太多书
不能共享	多台服务器不能共用	你这本笔记只有你自己能看

1.2 Milvus 是什么？

老师说：

"Milvus 是一款开源的向量数据库，专为处理海量高维向量数据而设计。AI Agent 产品都会使用 Milvus 这样的 Vector Store。像 Web 应用会把数据存在 MySQL 里面，基于 CRUD 实现各种业务功能。Agent 会把知识、记忆放在 Milvus 数据库中，对知识做语义检索、增删改查等各种功能。"

MySQL : Web 应用 = Milvus : AI 应用

对比	MySQL	Milvus
存什么	结构化数据（用户、订单）	高维向量（文本的语义向量）
查什么	WHERE name LIKE '%关键词%'	余弦相似度找语义相近的向量
索引方式	B+ 树	IVF_FLAT、AUTOINDEX 等向量索引
典型应用	电商、CMS	RAG、推荐系统、AI 记忆

我们用 Zilliz Cloud——基于 Milvus 的全托管云服务，不用自己部署服务器。

---

二、连接 Milvus 并创建集合

2.1 连接 Zilliz Cloud

看 main.mjs：

import { MilvusClient } from '@zilliz/milvus2-sdk-node';
import dotenv from 'dotenv/config';

const ADDRESS = process.env.MILVUS_ADDRESS;
const TOKEN = process.env.MILVUS_TOKEN;
const COLLECTION_NAME = 'ai_dairy';
const VECTOR_DIM = 1024;

const client = new MilvusClient({
    address: ADDRESS,
    token: TOKEN,
});

async function main() {
    const checkHealth = await client.checkHealth();
    if (!checkHealth.isHealthy) {
        console.error('链接失败', checkHealth.reasons);
        return;
    }
    console.log('链接成功，集群状态正常。');
}

MilvusClient 是连接 Milvus 的客户端，checkHealth() 检查服务是否正常。

2.2 创建集合（Collection）

老师说：

"MySQL 里叫表（Table），Milvus 里叫集合（Collection）。"

// 先删除旧集合（如果有），再创建
try {
    await client.dropCollection({ collection_name: COLLECTION_NAME });
} catch (_) {}

await client.createCollection({
    collection_name: COLLECTION_NAME,
    fields: [
        { name: 'id', data_type: DataType.VarChar, max_length: 50, is_primary_key: true },
        { name: 'vector', data_type: DataType.FloatVector, dim: VECTOR_DIM },
        { name: 'content', data_type: DataType.VarChar, max_length: 5000 },
        { name: 'data', data_type: DataType.VarChar, max_length: 50 },
        { name: 'mood', data_type: DataType.VarChar, max_length: 50 },
        { name: 'tags', data_type: DataType.Array, element_type: DataType.VarChar, max_capacity: 10, max_length: 50 },
    ]
});

集合的字段定义就像 MySQL 建表时的字段声明：

字段	类型	说明
id	VarChar	主键，唯一标识
vector	FloatVector(1024)	日记内容的语义向量
content	VarChar	日记原文
data	VarChar	日记日期
mood	VarChar	心情标签
tags	Array of VarChar	标签数组

2.3 创建索引

await client.createIndex({
    collection_name: COLLECTION_NAME,
    field_name: 'vector',
    index_type: IndexType.IVF_FLAT,
    metric_type: MetricType.COSINE,
});

await client.loadCollection({
    collection_name: COLLECTION_NAME,
});

老师说：

"没有索引时，每次查询都要把库里的向量和查询的向量逐一算相似度（O(n)），数据量大了，慢得没法用。就像去图书馆找一本《三体》——没有索引，每本都要翻一下。有索引：文学馆 → 小说 → 科幻，迅速缩小范围。"

IVF_FLAT 是一种聚类索引，把相似的向量聚在一起，搜索时先找最近的聚类，再在聚类里细找——从 O(n) 变成 O(log n)。

---

三、插入数据：把日记向量化存进去

3.1 准备日记内容

const diaryContents = [
    {
        id: 'diary_001',
        content: '今天天气很好，去公园散步了，心情愉快。看到了很多花开了，春天真美好。',
        data: '2026-01-10',
        mood: 'happy',
        tags: ['生活', '散步']
    },
    {
        id: 'diary_002',
        content: '今天工作很忙，完成了一个重要的项目里程碑。团队合作很愉快，感觉很有成就感。',
        data: '2026-01-11',
        mood: 'excited',
        tags: ['工作', '成就']
    },
    {
        id: 'diary_003',
        content: '周末和朋友去爬山，天气很好，心情也很放松。享受大自然的感觉真好。',
        data: '2026-01-12',
        mood: 'relaxed',
        tags: ['户外', '朋友']
    },
    {
        id: 'diary_004',
        content: '今天学习了 Milvus 向量数据库，感觉很有意思。向量搜索技术真的很强大。',
        data: '2026-01-12',
        mood: 'curious',
        tags: ['学习', '技术']
    },
    {
        id: 'diary_005',
        content: '晚上做了一顿丰盛的晚餐，尝试了新菜谱。家人都说很好吃，很有成就感。',
        data: '2026-01-13',
        mood: 'proud',
        tags: ['美食', '家庭']
    }
];

3.2 向量化并插入

const diaryData = await Promise.all(
    diaryContents.map(async (diary) => ({
        ...diary,
        vector: await getEmbeddings(diary.content)
    }))
);

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

console.log(insertResult.insert_cnt, '条记录成功插入。');

每条日记在入库前，先通过 Embedding 模型把 content 转成 1024 维向量。 这样后面搜索时，就能用"语义"而不是"关键词"来查找了。

---

四、语义搜索：问一个自然语言问题

4.1 搜索函数

async function retrieveRelatedDiaries(question, k = 2) {
    const queryVector = await getEmbeddings(question);
    const searchResult = await client.search({
        collection_name: COLLECTION_NAME,
        vector: queryVector,
        limit: k,
        metric_type: MetricType.COSINE,
        output_fields: ['id', 'content', 'data', 'mood', 'tags'],
    });
    return searchResult.results;
}

搜索流程：

用户问："我最近做了什么快乐的事情？"
  ↓ Embedding 模型
"快乐" → [1024 维向量]
  ↓ Milvus 搜索
在向量库里找余弦相似度最高的 2 条
  ↓ 返回
日记 001（散步，相似度 0.92）和 日记 005（做饭，相似度 0.85）

4.2 搜索结果的相似度评分

searchResult.results.forEach((item, index) => {
    console.log(`${index + 1}. [Score: ${item.score.toFixed(4)}]`);
    console.log(`Content: ${item.content}`);
});

输出：

1. [Score: 0.9234]
   Content: 今天天气很好，去公园散步了，心情愉快……
2. [Score: 0.8543]
   Content: 晚上做了一顿丰盛的晚餐，尝试了新菜谱……

相似度得分（Score）越接近 1，说明和问题语义越相关。 0.92 表示"去公园散步"和"快乐"高度相关。

---

五、RAG 增强生成：AI 结合日记回答问题

5.1 构建 Prompt

const content = retrievedDiaries
    .map((diary, i) => `
        [日记 ${i+1}] 
        日期: ${diary.data}
        心情: ${diary.mood}
        标签: ${diary.tags?.join(', ')}
        内容: ${diary.content}
    `).join('\n\n----\n\n');

const prompt = `你是一个温暖贴心的 AI 日记助手。基于用户的日记内容回答问题。

${content}

用户问题：${question}
回答要求：
1. 如果日记中有相关信息，请结合日记内容给出详细、温暖的回答。
2. 可以总结多篇日记的内容，找出共同点或趋势。
3. 用第二人称"你"来称呼日记的作者。
AI 助手的回答：`;

const response = await model.invoke(prompt);
console.log(response.content);

5.2 AI 的回答

当问题为 "我最近做了什么快乐的事情？" 时，AI 的回答大概是这样：

"我翻看了你最近的日记，发现你做了不少快乐的事情呢！🎉

1 月 10 日，你趁着好天气去公园散了步，看到花儿盛开，心情非常愉快 🌸 1 月 13 日，你挑战了新菜谱，做了一顿丰盛的晚餐，家人都说好吃，你特别有成就感 👨‍🍳

看起来你是一个懂得从生活小事中获取快乐的人。继续保持这种热爱生活的态度吧！😊"

这就是 RAG 的完整流程：检索（Retrieval）→ 增强（Augmented）→ 生成（Generation）。

---

六、完整的数据流

用户问："我最近做了什么快乐的事情？"
  ↓
1. 问题向量化（Embedding）
  ↓
2. Milvus 语义搜索（余弦相似度）
  ↓  
3. 找到最相关的 2 篇日记
  ↓
4. 把日记内容组装成 Prompt
  ↓
5. LLM 基于日记生成回答
  ↓
输出温暖的回答

---

七、总结：Milvus = AI 应用的"MySQL"

概念	说明
Milvus	开源向量数据库，存高维向量
Zilliz Cloud	Milvus 的全托管云服务
Collection	类似 MySQL 的表
Field	字段定义，含类型和约束
Vector	1024 维的 Float 数组
Index	IVF_FLAT 等索引，加速搜索
Cosine Similarity	余弦相似度，度量语义距离
Score	相似度评分，越接近 1 越相关
RAG	检索 + 增强 + 生成

从 MemoryVectorStore 到 Milvus，是从"玩具"到"产品"的跨越。真正生产级的 RAG 应用，都需要一个像 Milvus 这样的向量数据库来持久化存储和高效检索知识。

---

写在最后

今天最大的收获，是把向量存储从内存搬到了真正的向量数据库里。以前做的 RAG 都是"一次性"的——数据重启就没了。现在有了 Milvus，日记存进去就"永久"了，随时可以问 AI "我最近心情怎么样"、"我学到什么新东西了"。

而且 Milvus 的 SDK 用起来和 MySQL 的驱动很像——连接、建表、插数据、查数据，思路是一样的。如果你会 MySQL，学会 Milvus 只是换几个 API 名字的事。

下次面试官问你："生产环境怎么做 RAG？"

你可以淡定地说：

"生产环境的 RAG 需要用真正的向量数据库，比如 Milvus（或 Zilliz Cloud）。流程是：① 将知识文档通过 Embedding 模型转成高维向量，存入 Milvus Collection；② 建索引（如 IVF_FLAT）加速搜索；③ 用户提问时，把问题也向量化，在 Milvus 中做余弦相似度搜索，找到最相关的 K 条记录；④ 把检索到的内容作为上下文组装成 Prompt，交给 LLM 生成回答。MemoryVectorStore 适合学习和原型验证，Milvus 适合生产部署。"

然后看着面试官满意的表情，心里默念：这波，又稳了。

---

本文所有代码示例均来自课堂学习资料，真实可运行。