Milvus 路線圖

邁向新一代多模式資料庫和資料湖

Milvus 產品路線圖

歡迎來到 Milvus 路線圖！

我們正將 Milvus 帶入一個新時代 - 新世代多模式資料庫 - 涵蓋結構化資料到非結構化資料、即時擷取到離線分析、單一集群效能到全球資料湖架構。

本路線圖概述Milvus v2.6（進行中）、Milvus v3.0（目標於 2026 年底）和Milvus v3.1（長期開發）的核心目標，以及Vector Lake（資料湖 / Loon）的演進計畫。

Milvus v2.6 (進行中)

時間表：2025 年中 - 2025 年底

重點：升級資料模型、重構串流架構、建立冷熱分層功能，以及推出Vector Lake 原型 (v0.1)。

主要亮點

資料模型升級

• 引入統一的Tensor / StructList資料類型，以支援多向量嵌入結構，使其能與ColBERT、CoLQwen、視訊和多模態向量相容。

• 新增Geo Data支援，包括點、區域和空間索引 (基於libspatial)，以擴充 LBS 和 GIS 的使用案例。

• 支援含時區資料類型的Timestamp。

StreamNode 架構重構

• 重寫串流擷取管道，以最佳化增量寫入與即時計算。

• 大幅提升並發效能與穩定性，為統一即時與離線處理奠定基礎。

• 引入新的訊息佇列引擎：Woodpecker。

🔹熱/冷分層與儲存架構 (StorageV2)

• 支援雙儲存格式：Parquet和Vortex，增強了並發性和記憶體效率。

• 以自動冷熱資料分離和智慧型排程實施分層儲存。

向量湖原型 (v0.1)

• 透過 FFI 與Spark/DuckDB/DataFusion整合，實現離線模式演進和 KNN 查詢。

• 提供多模式資料可視化和 Spark ETL 示範，建立基礎資料湖架構。

Milvus v3.0（預定於 2026 年初推出）

時間線：2025 年底 - 2026 年初

重點：全面強化搜尋體驗、模式彈性和非結構化資料支援，同時推出Vector Lake (v0.2)。

主要亮點

🔹搜尋體驗徹底改變

• 引入More Like This (MLT)類似性搜尋，支援包含位置或負面範例的搜尋。

• 新增語意搜尋功能，例如高亮顯示和強化。

• 支援自訂字典和同義詞表，在 Analyzer 層支援詞彙和語義規則定義。

• 為查詢引入聚合功能。

多租戶與資源管理

• 啟用多租戶刪除、統計和冷/熱分層。

• 改善資源隔離與排程策略，以支援單一叢集中的數百萬個資料表。

模式與主金鑰增強功能

• 實施全局主金鑰重複資料刪除 (Global PK Dedup)，以保證資料的一致性和唯一性。

• 支援彈性的模式管理(新增/刪除欄位、備份填充)。

• 允許向量欄位的NULL 值。

擴充的非結構化資料類型 (BLOB / 文字)

• 引入BLOB 類型，為檔案、影像和視訊等二進位資料提供本機儲存和引用。

• 引入TEXT 類型，提供增強的全文和基於內容的搜尋功能。

🔹企業級功能

• 支援以快照為基礎的備份與復原。

• 提供端對端追蹤與稽核記錄。

• 在多群集部署中執行主動備用高可用性 (HA)。

Vector Lake (v0.2)

• 支援TEXT / BLOB 儲存與多版本快照管理。

• 整合 Spark 以執行離線索引、群集、重複資料刪除及降維工作。

• 提供ChatPDF 冷查詢和離線基準演示。

Milvus v3.1 (長期願景)

時間線：2026 年中

重點：使用者定義函式 (UDF)、分散式運算整合、標量查詢最佳化、動態分片，以及正式釋出Vector Lake (v1.0)。

主要焦點

🔹UDF 與分散式運算生態系統

• 支援使用者定義函式 (UDF)，允許開發人員將自訂邏輯注入擷取與計算工作流程。

• 與Ray Dataset / Daft深度整合，以進行分散式 UDF 執行與多模式資料處理。

標量查詢與本地格式演進

• 最佳化標量欄位的篩選與聚合效能。

• 增強表達式評估和索引加速執行。

• 支援本機檔案格式的就地更新。

進階搜尋功能

• 新增下列功能：RankBy、OrderBy、Facet 及模糊匹配查詢。

• 增強文字擷取，支援

  • match_phrase_prefix

  • Completion Suggester

  • Term Suggester

  • Phrase Suggester

動態分片與擴充能力

• 啟用自動分片和負載平衡，實現無縫擴充。

• 改善全局索引建置，確保分散式搜尋效能。

Vector Lake V1.0

• 與Ray / Daft / PyTorch深度整合，以支援分散式 UDF 和 Context Engineering 用例。

• 提供RAG（Retrieval-Augmented Generation）演示 ，並從 Iceberg 表匯入。

共同打造 Milvus 的未來

Milvus 是由全球開發人員社群驅動的開放原始碼專案。

我們熱烈邀請所有社群成員協助塑造下一代的多模態資料庫：

• 分享回饋：提出新功能或最佳化構想

• 🐛回報問題：透過 GitHub Issues 歸檔錯誤

• 🔧貢獻程式碼：提交 PR 並協助建立核心功能

  • 拉取請求：直接貢獻至我們的程式碼庫。無論是修正錯誤、新增功能或改善文件，我們都歡迎您的貢獻。

  • 開發指南：查看我們的貢獻者指南，瞭解有關代碼貢獻的指引。

• ⭐傳播訊息：分享最佳實作與成功案例

👉GitHub: milvus-io/milvus