类型：向量数据库
简介：存储、索引和管理由深度神经网络和机器学习（ML）模型生成的大规模嵌入向量。
本文介绍 Milvus 相似度搜索方法，包括查询向量生成、TopK 设置、标量过滤、返回字段配置、搜索结果验证和常见问题排查。
一、一次可用的搜索不只是返回结果
Milvus 相似度搜索的核心流程是：把用户问题转换成向量，再到 Collection 中查找相似向量。这个过程看起来简单，但真正可用的搜索还需要返回文本、来源、标题、版本和相似度等信息。
如果搜索只返回 ID，业务系统就很难使用。用户需要看到命中的内容来自哪里，前端也需要根据返回字段展示结果。
因此，一次完整搜索至少要考虑：
- 查询向量怎么生成；
- TopK 返回多少条；
- 是否需要过滤条件；
- 返回哪些字段；
- 如何判断结果是否可信。
二、查询向量要和入库向量保持一致
用户输入的问题不能直接拿去 Milvus 搜索，需要先用 Embedding 模型转换成查询向量。这个模型应与入库时使用的模型一致或兼容。
1、不要混用不同模型
如果入库时使用一个模型，查询时换成另一个模型，搜索结果可能明显变差。即使两个模型输出维度相同，也不代表向量空间一致。
2、查询文本也要清洗
用户问题里可能有多余符号、换行或无关内容。可以在生成查询向量前做轻量清洗，但不要过度改写用户意图。
三、TopK 设置要看使用场景
TopK 表示返回最相似的前几条结果。知识库问答、商品推荐和图片检索对 TopK 的需求不同。
1、知识库问答
知识库问答常从 3 到 10 开始测试。返回太少，可能漏掉答案；返回太多，后续生成回答或展示结果时容易混入噪声。
2、商品相似推荐
商品推荐可能需要更多候选结果，再结合价格、库存、分类和销量做二次排序。
3、内部搜索
内部搜索可以返回较多结果，让用户自行筛选。但前端要展示来源、摘要和匹配原因，不能只显示标题。
四、过滤条件能让搜索更精准
Milvus 支持在向量搜索中结合标量过滤。过滤条件适合限制搜索范围，例如只搜索某个文档、某个分类、某个语言、某个版本或某种状态的数据。
1、常见过滤字段
知识库场景可以按这些字段过滤：
doc_id：只查某个文档；category：只查某个分类；language：只查某种语言；version：只查某个版本；status：只查 active 数据。
2、过滤条件不要过窄
如果过滤条件设置过窄，可能导致搜索没有结果。排查时可以先去掉过滤条件，确认基础向量搜索正常，再逐步加回条件。
五、返回字段决定结果能不能使用
搜索时应配置返回字段。知识库场景至少返回：
- 文本片段；
- 标题；
- 来源；
- 文档编号；
- 版本；
- 相似度或距离信息。
如果返回字段不足，即使 Milvus 找到了正确片段，前端也无法展示给用户。
1、面向用户的返回字段
面向用户展示时，标题、摘要、来源和链接很重要。用户需要判断结果是否可信。
2、面向系统的返回字段
面向系统处理时，doc_id、chunk_id、version、status 更重要。这些字段用于追踪、去重、更新和排查。
六、搜索结果要做二次判断
相似度搜索不是绝对答案。返回结果只是候选内容，业务系统还需要进一步判断。
可以从三个角度判断：
- 相似度是否足够高；
- 来源是否可信；
- 文本是否完整回答问题。
如果结果相似度不高，或命中内容只是关键词相似但语义无关，应用层应避免直接生成确定答案。
七、没有结果时怎么排查
1、先检查 Collection 是否已加载
如果 Collection 没有加载或服务状态异常，搜索可能无法正常执行。
2、再检查过滤条件
去掉过滤条件后重新搜索。如果能返回结果，说明问题可能出在过滤表达式或字段值上。
3、最后检查向量生成
确认查询向量维度正确，且使用了和入库一致的 Embedding 模型。
FAQ
Q1：TopK 设置多少合适？
A：没有固定值。知识库问答可以从 3 到 10 测试，再根据命中质量调整。
Q2：为什么搜索有结果但看不懂？
A：通常是返回字段配置不完整，需要返回文本、标题、来源等字段。
Q3：过滤条件会影响召回吗？
A：会。过滤条件越严格，搜索范围越小，可能提高精准度，也可能导致无结果。
