> 本文是写作规划，不是可发布正文。拆解对象：Milvus 2.6.x 主线（存算分离、Proxy / Coordinator / Streaming·Query·Data Node、Segcore + Knowhere）；Qdrant、Lance / LanceDB 作对照。不写 embedding 模型训练，不写…

本文介绍了Milvus的四层坐标系，包括Collection、Partition、Segment和Channel。Collection是用户可见的向量表，Partition用于数据隔离。Channel与Streaming Node绑定，支持水平扩展写入。Segment分为Growing和Sealed，Growing可变且支持实时查询，Sealed不可变用于历史检索。Growing转为Sealed的过程称为flush，数据通过handoff转移至Query Node。整体架构强调实时性与历史数据管理。

本文讨论了向量检索引擎Knowhere的架构与索引类型，包括HNSW、DiskANN和IVF-PQ等算法的应用。强调了在训练、构建、加载和查询四个阶段的参数管理，指出Flat索引是金标准但不应作为默认选择。文章还探讨了索引生命周期与段的关系，以及插件契约的实现步骤，提出了多索引参数组合的开放问题。

本文讨论了向量库中的删除、更新和过期策略。删除操作可通过过滤或主键进行，采用软删方式以保持数据一致性。更新操作（Upsert）根据主键决定插入或更新，提供覆盖和合并两种模式。集合的TTL属性允许自动删除过期数据，删除和更新操作的可见性受一致性约束。逻辑删除和物理回收是分开的，需注意容量规划。

本文讨论了向量检索引擎Milvus的架构与功能，重点介绍了HNSW、DiskANN、IVF-PQ等算法的应用，以及向量库的选型与RAG召回机制。内容涵盖写路径、读路径和索引内核，适合RAG和AI平台工程师、数据平台工程师等专业人士阅读。

本文讨论了Milvus 2.6.x中的一致性级别与时间戳管理。用户可以通过可调一致性级别选择等待时间，以确保数据可见性。四级一致性（强一致性、有限一致性、会话一致性、最终一致性）提供不同的延迟与新鲜度折中。文章还探讨了在不同场景下的最佳选择及其与分布式存储的关系，强调了可见性与等待时间的重要性。

Knowhere 是 Milvus 的向量索引执行引擎，集成了 Faiss、Hnswlib 和 Annoy 等库，支持软删和多种相似度计算。它通过统一的 VecIndex 接口处理索引构建与查询，优化性能并简化开发流程，同时支持自动 SIMD 选择以提升计算效率。

本文讨论了在Milvus中将过滤结果转化为bitset的方法，以及选择度对Top-k合并的影响。混合检索流程包括表达式求值、bitset过滤、Knowhere搜索和多级归并。选择度是影响查询效率和结果准确性的关键因素。文章还提到工程中的挑战和未来研究方向。

本文对比了Milvus 2.6.x与Qdrant在向量检索引擎中的架构和部署方式。Milvus强调存算分离，采用多组件架构，而Qdrant则提供单节点的简化部署，适合中小规模应用。两者在分布式部署、数据过滤和扩展性方面存在显著差异，选择时需考虑团队需求和运维复杂度。

本文讨论了Milvus 2.6.x的架构，重点在于无状态Proxy和单活跃Coordinator的设计。Proxy负责请求校验和结果处理，Coordinator维护拓扑和任务调度。文章还提到时间戳管理和查询视图的路由，强调无状态Worker的优势与挑战，以及单活跃Coordinator在一致性和故障处理中的重要性。

本文介绍了Milvus 2.6.x中Data Node的功能与架构。Data Node负责历史数据的离线处理，包括索引构建和数据压缩。它通过协调组件调度，处理数据加载、索引生成和清理，确保查询节点高效访问数据。文章还讨论了索引构建策略、数据新鲜度及其对查询性能的影响，以及优化资源调度以减少在线查询延迟的方法。

本文讨论了Milvus 2.6.x版本的内存副本、流服务和数据处理架构。内存副本允许在多个查询节点加载同一段，提高性能和可用性。流服务支持WAL迁移，确保写路径的可用性。通过协调段分布和负载均衡，优化查询和写入性能。文章还探讨了副本的成本和工程间隙，并提出未来的开放问题。

本文讨论了Milvus 2.6.x的数据处理架构，重点介绍了Growing和Sealed段的查询机制。Growing段由Streaming Node处理，实时更新；Sealed段由Query Node加载历史数据。Query Delegator负责生成查询计划并合并结果。Segcore作为段级执行层，与Knowhere索引内核协同工作，实现高效的向量检索。文章还探讨了查询过程中的数据加载、索引管理及动态更新与不可变索引之间的平衡。

本文讨论了Lance与Milvus在向量检索引擎中的区别。Lance主要作为存储格式，支持随机访问和可选的ANN索引，适合低并发和离线推理场景；而Milvus是专用的分布式引擎，适合高并发在线检索，特别是在多租户和实时检索方面表现更佳。文章还提到了一些开放问题，如Lance索引与Iceberg事务的对齐。

本文讨论了排障过程中常见错误，指出故障原因多在可见性和段状态等方面，而非仅限于ef/nprobe。提供了检查清单，涵盖召回、延迟和堆积等问题，建议通过定量分析症状来定位问题，避免主观判断，并提出了开放问题和改进方向。

在将Elasticsearch集群迁移到无服务器时，发现密集向量在文档源中未显示。Elasticsearch为了节省存储，故意省略向量字段。要显示向量字段，需要在搜索API中添加参数：`{ "_source": { "exclude_vectors": false } }`。