貝德羅克Compatible with Milvus 2.6.x

本主題描述如何在 Milvus 中配置和使用 Amazon Bedrock 嵌入功能。

選擇嵌入模型

Milvus 支援 Amazon Bedrock 提供的嵌入模型。以下是目前可用的嵌入模型，以供快速參考：

模型名稱	尺寸	最大代幣	說明
amazon.titan-embed-text-v2:0	1,024 (預設)、512、256	8,192	RAG、文件搜尋、重排、分類等。

如需詳細資訊，請參閱Amazon Titan 文本嵌入模型。

配置憑證

Milvus 在請求嵌入之前，必須知道您的 Bedrock 存取憑證。Milvus 提供兩種配置憑證的方法：

• 配置文件（推薦）：將憑證儲存於milvus.yaml ，以便每次重新啟動和節點都會自動擷取。

• 環境變數：在部署時注入憑證 - 最適合 Docker Compose。

在以下兩種方法中選擇一種 - 配置檔案在裸機和虛擬機器上較容易維護，而 env-var 路線則適合容器工作流程。

選項 1：組態檔案 (建議使用且優先順序較高)

將您的憑證保留在milvus.yaml ；Milvus 會在啟動時讀取它們，並覆寫相同提供者的任何環境變數。

1. **在以下位置聲明您的憑證credential:

   您可以列出一個或多個憑證 - 給每個憑證一個您自創的標籤，稍後會參考。

   # milvus.yaml
   credential:
     aksk_dev:            # dev environment
       access_key_id: <YOUR_DEV_ACCESS_KEY_ID>
       secret_access_key: <YOUR_DEV_SECRET_ACCESS_KEY>
     aksk_prod:           # production environment
       access_key_id: <YOUR_PROD_ACCESS_KEY_ID>    
       secret_access_key: <YOUR_PROD_SECRET_ACCESS_KEY>
   

   將憑證放在這裡可以讓它們在重新啟動時保持不變，並讓您只需更改標籤就可以切換憑證。

2. 告訴 Milvus 哪個憑證可用於服務呼叫

   在同一個檔案中，將 Bedrock 提供者指向您希望它使用的標籤。

   function:
     textEmbedding:
       providers:
         bedrock:
           credential: aksk_dev      # ← choose any label you defined above
   

   這將特定的憑證綁定到 Milvus 發送給 Bedrock 嵌入服務的每個請求。

選項 2：環境變數

當您使用 Docker Compose 執行 Milvus，並希望不在檔案和影像中洩露秘密時，請使用此方法。

只有在milvus.yaml 中找不到提供者的憑證，Milvus 才會回退到環境變數。

變數	需要	說明
MILVUSAI_BEDROCK_ACCESS_KEY_ID	是	您的 AWS 存取金鑰 ID，用於 Bedrock 服務的驗證。
MILVUSAI_BEDROCK_SECRET_ACCESS_KEY	是	與您的存取金鑰 ID 對應的 AWS 秘密存取金鑰。

在你的docker-compose.yaml檔案中，設定MILVUSAI_OPENAI_API_KEY 環境變數。

# docker-compose.yaml (standalone service section)
standalone:
  # ... other configurations ...
  environment:
    # ... other environment variables ...
    # Set the environment variable pointing to the Bedrock embedding service inside the container
    MILVUSAI_BEDROCK_ACCESS_KEY_ID: <MILVUSAI_BEDROCK_ACCESS_KEY_ID>
    MILVUSAI_BEDROCK_SECRET_ACCESS_KEY: <MILVUSAI_BEDROCK_SECRET_ACCESS_KEY>

environment: 區塊只會將金鑰注入 Milvus 容器，而不會碰觸到您的主機作業系統。詳情請參考使用 Docker Compose 設定 Milvus。

使用嵌入功能

一旦配置了憑證，請按照以下步驟定義和使用嵌入函數。

步驟 1：定義模式欄位

若要使用嵌入函式，請建立具有特定模式的集合。此模式必須包含至少三個必要欄位：

• 唯一識別集合中每個實體的主要欄位。

• 儲存要嵌入的原始資料的標量欄位。

• 預留向量欄位，用來儲存函式將為標量欄位產生的向量嵌入。

以下範例定義了一個模式，其中一個標量欄位"document" 用來儲存文字資料，另一個向量欄位"dense" 用來儲存函式模組要產生的嵌入資料。切記設定向量維度 (dim) 以符合您所選擇的嵌入模型輸出。

from pymilvus import MilvusClient, DataType, Function, FunctionType

# Initialize Milvus client
client = MilvusClient(
    uri="http://localhost:19530",
)

# Create a new schema for the collection
schema = client.create_schema()

# Add primary field "id"
schema.add_field("id", DataType.INT64, is_primary=True, auto_id=False)

# Add scalar field "document" for storing textual data
schema.add_field("document", DataType.VARCHAR, max_length=9000)

# Add vector field "dense" for storing embeddings.
# IMPORTANT: Set dim to match the exact output dimension of the embedding model.
schema.add_field("dense", DataType.FLOAT_VECTOR, dim=1024)

步驟 2：將函式加入模式

Milvus 中的 Function 模組會自動將儲存在標量欄位中的原始資料轉換為嵌入式資料，並將其儲存在明確定義的向量欄位中。

以下範例新增了一個 Function 模組 (bedrk)，可將標量欄位"document" 轉換為嵌入，將產生的向量儲存於先前定義的"dense" 向量欄位中。

定義好嵌入函數後，將它加入集合模式。這會指示 Milvus 使用指定的 embedding 函式來處理和儲存文字資料的 embeddings。

# Define embedding function specifically for OpenAI provider
text_embedding_function = Function(
    name="bedrk",                                   # Unique identifier for this embedding function
    function_type=FunctionType.TEXTEMBEDDING,       # Indicates a text embedding function
    input_field_names=["document"],                 # Scalar field(s) containing text data to embed
    output_field_names=["dense"],                   # Vector field(s) for storing embeddings
    params={                                      # Provider-specific embedding parameters (function-level)
        "provider": "bedrock",                      # Must be set to "bedrock"
        "model_name": "amazon.titan-embed-text-v2:0",    # Specifies the embedding model to use
        "region": "us-east-2",                           # Required: AWS region where the Bedrock service is hosted     
        # Optional parameters:
        # "credential": "aksk_dev",               # Optional: Credential label specified in milvus.yaml
        # "dim": "1024",                          # Output dimension of the vector embeddings after truncation
        # "normalize": "true",                    # Whether to normalize the output embeddings
    }
)

# Add the configured embedding function to your existing collection schema
schema.add_function(text_embedding_function)

下一步

配置完嵌入函數後，請參閱函數概觀，以獲得關於索引配置、資料插入範例和語意搜尋作業的其他指引。