要在Dify中真正启用Milvus作为RAG知识库的底层向量引擎，必须完成三类配置：Dify服务端识别Milvus的连接参数、Milvus自身启用认证与可访问状态、以及Dify Worker能成功调用PyMilvus SDK执行写入与检索。
☞☞☞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☜☜☜
要在Dify中真正启用Milvus作为RAG知识库的底层向量引擎，必须完成三类配置：Dify服务端识别Milvus的连接参数、Milvus自身启用认证与可访问状态、以及Dify Worker能成功调用PyMilvus SDK执行写入与检索。跳过任一环节都会导致知识库上传失败或查询返回空结果。
部署并验证Milvus服务可用性
下载官方单机版docker-compose配置文件，命令为：wget https://github.com/milvus-io/milvus/releases/download/v2.6.2/milvus-standalone-docker-compose.yml -O docker-compose.yml。
在docker-compose.yml中添加Attu可视化容器（可选但强烈建议），确保attu服务的depends_on指向standalone，且MILVUS_URL设为milvus-standalone:19530。
执行docker compose up -d启动服务后，等待约90秒，再运行以下校验命令：docker exec milvus-standalone curl -s http://localhost:19530/healthz | jq -r '.message'。若返回success，说明gRPC服务已就绪；若超时或报错，检查宿主机是否禁用IPv6或防火墙拦截了19530端口。
【务必确认milvus-standalone容器处于running状态，且19530端口未被其他进程占用】
启用Milvus认证并配置Dify环境变量
进入Milvus容器执行认证启用：docker exec -it milvus-standalone sed -i 's/authorizationEnabled: false/authorizationEnabled: true/g' /milvus/configs/milvus.yaml。
重启Milvus容器使配置生效：docker restart milvus-standalone。
编辑Dify项目根目录下的.env文件，取消注释并修改以下三行：
VECTOR_STORE=milvus
MILVUS_URI=http://milvus-standalone:19530（若Dify与Milvus不在同一docker网络，请替换为宿主机IP）
MILVUS_TOKEN=root:Milvus（默认账号密码，生产环境请立即改密）
注意：若MILVUS_URI使用http://localhost:19530，Dify容器将无法解析localhost——它指向的是Dify容器自身，而非宿主机。
创建Milvus集合并测试Dify Worker连通性
方法一：通过Attu界面手动建集合
浏览器打开http://localhost:8000（Attu默认端口），登录后点击「Create Collection」，填入名称dify_knowledge_base，维度设为768（匹配BGE-M3等常用嵌入模型输出维数），其余参数保持默认，点击Create。
方法二：在Dify Worker容器内执行Python脚本验证连接
进入Dify Worker容器：docker exec -it dify-worker bash。
运行以下代码：
python3 -c "from pymilvus import connections; connections.connect('default', host='milvus-standalone', port='19530', user='root', password='Milvus'); print('✅ 连接成功')"
若提示AuthenticationFailedException，说明MILVUS_TOKEN值错误或Milvus未真正启用认证；若提示ConnectionRefusedError，检查Dify与Milvus是否在同一docker network（可通过docker network inspect dify_default确认）。
触发知识库向量化并观察日志流
第一步：在Dify Web UI中新建知识库，选择「上传文档」，任意上传一个PDF或TXT文件。
第二步：打开Dify Worker日志实时跟踪：docker logs -f dify-worker。
第三步：观察日志中是否出现类似insert into collection dify_knowledge_base, entities count: 42的记录——这表示文本分块后生成的向量已成功写入Milvus。
第四步：发起一次问答测试，例如输入“文档里提到的三个核心指标是什么？”，查看返回结果是否包含原文片段而非通用回答。
若日志中持续出现timeout waiting for collection to load，说明集合未执行collection.load()操作，需在Attu中手动加载该集合或在Dify Worker初始化逻辑中补全此步骤。
