本文记录一次从 Milvus 容器反复重启、端口拒绝，到最终稳定运行并实现 LangChain RAG 成功检索的完整实战过程。适用于本地 RAG、私有大模型、知识库系统等场景。
一、背景与问题
在本地构建 RAG（Retrieval-Augmented Generation）时，开发者常遇到以下典型问题：
telnet 19530 连接被拒绝- Milvus 容器反复 Restarting (1)
- pymilvus 能连上，但 LangChain 查不到数据
- 不清楚 Milvus 中的「tag / metadata」到底存在哪里
本文基于 Milvus 2.4 + LangChain + Ollama（Qwen + bge-m3），逐步解决上述问题。
二、整体架构
LangChain │ ├─ Ollama Embedding (bge-m3) │ ├─ Milvus Vector Store │ ├─ etcd │ ├─ minio │ └─ standalone │ └─ Ollama LLM (qwen2.5)Python 3.9 / 3.10 / 3.11 均可支持。
pipinstall-U\langchain\langchain-core\langchain-community\langchain-text-splitters\langchain-ollama\pymilvus\faiss-cpu三、Milvus Docker Compose（稳定版）
注意：Milvus standalone 必须依赖 etcd + minio，不能直接使用docker run milvusdb/milvus，否则 19530 端口不会监听。
docker-compose.yml
version:'3.5'services:rag-etcd:container_name:rag-milvus-etcdimage:quay.io/coreos/etcd:v3.5.5volumes:-./rag-volumes/etcd:/etcdcommand:>etcd -advertise-client-urls=http://127.0.0.1:2379 -listen-client-urls http://0.0.0.0:2379 --data-dir /etcdrag-minio:container_name:rag-milvus-minioimage:minio/minio:RELEASE.2023-03-20T20-16-18Zenvironment:MINIO_ACCESS_KEY:minioadminMINIO_SECRET_KEY:minioadminports:-"19000:9000"-"19001:9001"volumes:-./rag-volumes/minio:/minio_datacommand:minio server /minio_data--console-address ":9001"rag-milvus:container_name:rag-milvus-standaloneimage:milvusdb/milvus:v2.4.0command:["milvus","run","standalone"]environment:ETCD_ENDPOINTS:rag-etcd:2379MINIO_ADDRESS:rag-minio:9000volumes:-./rag-volumes/milvus:/var/lib/milvusports:-"19530:19530"-"9091:9091"depends_on:-rag-etcd-rag-minionetworks:default:name:rag-milvus-net启动命令：
dockercompose up -d四、验证 Milvus 是否正常
telnet 验证端口
telnet127.0.0.119530若看到如下输出：
Connected to 127.0.0.1. HTTP/1.1 400 Bad Request这是正常现象，因为 19530 是 gRPC 端口，并非 HTTP 接口。
Python 连接 Milvus
frompymilvusimportconnections,utility,Collection connections.connect(host="127.0.0.1",port="19530")print("connected:",connections.has_connection("default"))print("collections:",utility.list_collections())五、理解 Milvus 里的 “tag / metadata”
Milvus 没有内置 tag 概念。所谓的 tag，本质是 Collection schema 中的 scalar 字段。
查看 collection schema：
col=Collection("rag_qwen_prod")print(col.schema)典型结构如下：
id (INT64, primary) vector (FLOAT_VECTOR) text (VARCHAR) source (VARCHAR) category (VARCHAR)其中source/category即为 RAG 中的 tag。
六、LangChain + Ollama + Milvus 实战
Embedding（bge-m3）
fromlangchain_ollamaimportOllamaEmbeddings embeddings=OllamaEmbeddings(model="bge-m3",base_url="http://192.168.31.161:11434")构造文档
fromlangchain_core.documentsimportDocument docs=[Document(page_content="RAG 是检索增强生成"),Document(page_content="Milvus 是生产级向量数据库"),Document(page_content="Qwen2.5 是高质量中文大模型"),]文本切分
fromlangchain_text_splittersimportRecursiveCharacterTextSplitter splitter=RecursiveCharacterTextSplitter(chunk_size=300,chunk_overlap=50)docs=splitter.split_documents(docs)写入 Milvus
fromlangchain_community.vectorstoresimportMilvus vectorstore=Milvus.from_documents(docs,embedding=embeddings,collection_name="rag_qwen_prod",connection_args={"host":"localhost","port":"19530"})Retriever
retriever=vectorstore.as_retriever(search_kwargs={"k":3})LLM（Qwen2.5）
fromlangchain_ollamaimportChatOllama llm=ChatOllama(model="qwen2.5:7b",temperature=0)Prompt & LCEL RAG Chain
fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.runnablesimportRunnablePassthrough prompt=ChatPromptTemplate.from_messages([("system","你只能基于上下文回答问题，不允许编造"),("human","上下文：\n{context}\n\n问题：{question}")])rag_chain=({"context":retriever,"question":RunnablePassthrough()}|prompt|llm)查询验证
result=rag_chain.invoke("什么是 Milvus？")print(result.content)输出示例：
Milvus 是一个生产级向量数据库，用于高效存储和检索向量数据。RAG 生效。
七、完整代码与常见问题总结
fromlangchain_ollamaimportChatOllama,OllamaEmbeddingsfromlangchain_community.vectorstoresimportMilvusfromlangchain_text_splittersimportRecursiveCharacterTextSplitterfromlangchain_core.documentsimportDocumentfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.runnablesimportRunnablePassthrough# 1. Embeddingembeddings=OllamaEmbeddings(model="bge-m3",base_url="http://192.168.31.161:11434")# 2. 文档docs=[Document(page_content="RAG 是检索增强生成"),Document(page_content="Milvus 是生产级向量数据库"),Document(page_content="Qwen2.5 是高质量中文大模型"),]# 3. 切分splitter=RecursiveCharacterTextSplitter(chunk_size=300,chunk_overlap=50)docs=splitter.split_documents(docs)# 4. Milvus Vector Storevectorstore=Milvus.from_documents(docs,embedding=embeddings,collection_name="rag_qwen_prod",connection_args={"host":"localhost","port":"19530"})retriever=vectorstore.as_retriever(search_kwargs={"k":3})# 5. LLMllm=ChatOllama(model="qwen2.5:7b",temperature=0)# 6. Promptprompt=ChatPromptTemplate.from_messages([("system","你只能基于上下文回答问题，不允许编造"),("human","上下文：\n{context}\n\n问题：{question}")])# 7. LCEL RAG Chainrag_chain=({"context":retriever,"question":RunnablePassthrough()}|prompt|llm)# 8. Queryresult=rag_chain.invoke("什么是 Milvus？")print(result.content)| 问题 | 原因 |
|---|---|
| 19530 连接被拒绝 | 直接 docker run Milvus |
| 容器重启 | 缺少 etcd / minio |
| telnet 返回 400 | 正常（gRPC） |
| 查不到 tag | schema 没定义 metadata |
| LangChain 无结果 | embedding 不一致 |
八、下一步可以做什么？
- 多 tag / 多租户 RAG
- expr 过滤（
category == 'ops'） - Milvus IVF / HNSW 调优
- Streaming RAG
- Web UI + API 服务化
九、结语
Milvus + LangChain + Ollama 是目前本地 RAG 的黄金组合：
- Milvus：性能与扩展性
- Ollama：本地模型自由
- LangChain：链路清晰、可组合
如果你已经走到这一步，说明你已经不是“入门玩家”了。
)