需完成向量获取、维度对齐、集合创建、数据写入与查询调用：一、配置DeepSeek API获取文本嵌入向量；二、启动Milvus并验证连接；三、创建匹配维度的集合；四、批量插入向量及元数据；五、执行相似性搜索。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您使用DeepSeek API生成文本向量，并希望将这些向量持久化存储至Milvus以支持高效相似性检索，则需完成向量获取、维度对齐、集合创建、数据写入与查询调用等关键环节。以下是实现该流程的具体操作路径：
一、配置DeepSeek API并获取文本嵌入向量
该步骤旨在通过DeepSeek提供的嵌入接口，将原始文本转换为固定维度的稠密向量。需确保API服务可用、认证凭证正确，且返回向量格式符合Milvus字段定义要求。
1、在终端中设置环境变量：export OPENAI_API_KEY='your_deepseek_api_key'
2、调用本地或远程DeepSeek嵌入服务（如Ollama托管的deepseek-r1模型）：
3、向http://localhost:11434/api/embeddings发送POST请求，携带{"model":"deepseek-r1:1.5b","input":"待向量化的文本"}参数
4、解析响应体，提取embedding字段值，确认其为长度一致的浮点数列表（例如768维）
二、启动Milvus服务并验证连接可用性
此步骤确保Milvus实例处于运行状态，客户端可通过gRPC或HTTP协议与其通信。若使用Docker部署，需检查容器健康状态及端口映射是否生效。
1、执行docker ps | grep milvus，确认milvus-standalone容器正在运行
2、访问http://localhost:19530/healthz，返回{"status":"healthy"}表示服务就绪
3、在Python环境中安装Milvus SDK：pip install pymilvus==2.4.10
4、使用pymilvus connections.connect("default", host="localhost", port="19530")建立连接
三、创建匹配维度的Milvus集合
集合（Collection）是Milvus中向量数据的逻辑容器，其schema必须与DeepSeek输出向量维度严格一致；否则插入或查询将失败。
1、定义字段：包含主键id（int64）、向量字段vector（float_vector）、可选元数据字段如text（varchar）
2、设定向量维度参数：dim参数必须等于DeepSeek嵌入向量的实际长度（如768）
3、执行Collection.create()方法创建集合，例如命名为deepseek_docs
4、为向量字段构建索引，推荐初始配置：{"index_type": "IVF_FLAT", "metric_type": "COSINE", "params": {"nlist": 128}}
四、批量插入DeepSeek生成的向量及关联元数据
该步骤将文本内容、唯一标识符与对应向量三元组封装为结构化记录，导入Milvus集合。需注意批次大小控制以避免内存溢出或超时。
1、组织数据列表：entities = [ids, vectors, texts]，其中vectors为二维列表，每行对应一个向量
2、调用collection.insert(entities)提交数据，返回插入结果对象
3、执行collection.flush()强制落盘，确保数据立即可查
4、验证插入数量：collection.num_entities应与预期条数一致
五、基于新查询文本执行向量相似性搜索
检索阶段复用相同DeepSeek嵌入流程，将用户输入转化为向量后，在Milvus中执行近似最近邻（ANN）查找，返回Top-K最相似记录。
1、对查询文本调用DeepSeek嵌入接口，获取单条向量query_vector
2、构造搜索参数：search_params = {"metric_type": "COSINE", "params": {"nprobe": 10}}
3、执行collection.search([query_vector], "vector", search_params, limit=5, output_fields=["text"])
4、遍历results[0]，提取每个命中项的entity.text与distance字段
