Attu 桌面快速入门

1.简介

Attu是 Milvus 的一体化开源管理工具。它具有直观的图形用户界面（GUI），可让您轻松与数据库交互。只需点击几下，您就可以直观地查看集群状态、管理元数据、执行数据查询等。

---

2.安装桌面应用程序

访问 AttuGitHub Releases 页面下载桌面版 Attu。选择适合您操作系统的版本，然后按照安装步骤进行操作。

注意 macOS（M 系列芯片）：

如果遇到错误：

attu.app is damaged and cannot be opened.

在终端中运行以下命令以绕过此问题：

sudo xattr -rd com.apple.quarantine /Applications/attu.app

---

3.连接 Milvus

Attu 支持连接Milvus Standalone和Zilliz Cloud，可灵活使用本地或云托管数据库。

要在本地使用 Milvus Standalone：

1. 按照Milvus 安装指南启动 Milvus Standalone。
2. 打开 Attu 并输入连接信息：
   • Milvus 地址：你的 Milvus Standalone 服务器 URI，例如 http://localhost:19530
   • 其他可选设置：你可以根据你的 Milvus 配置进行设置，也可以保留为默认设置。
3. 单击 "连接 "访问数据库。

您也可以在Zilliz Cloud 上连接完全托管的 Milvus。只需将Milvus Address 和token 设置为 Zilliz Cloud 实例的公共端点和 API 密钥。

4. 点击访问数据库。

---

4.准备数据、创建 Collections 和插入数据

4.1 准备数据

我们使用Milvus 文档 2.4.x中的常见问题页面作为本示例的数据集。

下载并提取数据：

wget https://github.com/milvus-io/milvus-docs/releases/download/v2.4.6-preview/milvus_docs_2.4.x_en.zip
unzip -q milvus_docs_2.4.x_en.zip -d milvus_docs

处理 Markdown 文件：

from glob import glob

text_lines = []
for file_path in glob("milvus_docs/en/faq/*.md", recursive=True):
    with open(file_path, "r") as file:
        file_text = file.read()
    text_lines += file_text.split("# ")

---

4.2 生成嵌入模型

定义一个嵌入模型，使用milvus_model 生成文本嵌入。我们以DefaultEmbeddingFunction 模型为例，它是一个经过预训练的轻量级嵌入模型。

from pymilvus import model as milvus_model

embedding_model = milvus_model.DefaultEmbeddingFunction()

# Generate test embedding
test_embedding = embedding_model.encode_queries(["This is a test"])[0]
embedding_dim = len(test_embedding)
print(embedding_dim)
print(test_embedding[:10])

输出：

768
[-0.04836066  0.07163023 -0.01130064 -0.03789345 -0.03320649 -0.01318448
 -0.03041712 -0.02269499 -0.02317863 -0.00426028]

---

4.3 创建 Collections

连接到 Milvus 并创建一个 Collection：

from pymilvus import MilvusClient

# Connect to Milvus Standalone
client = MilvusClient(uri="http://localhost:19530")

collection_name = "attu_tutorial"

# Drop collection if it exists
if client.has_collection(collection_name):
    client.drop_collection(collection_name)

# Create a new collection
client.create_collection(
    collection_name=collection_name,
    dimension=embedding_dim,
    metric_type="IP",  # Inner product distance
    consistency_level="Strong"
)

---

4.4 插入数据

遍历文本行，创建嵌入，并将数据插入 Milvus：

from tqdm import tqdm

data = []
doc_embeddings = embedding_model.encode_documents(text_lines)

for i, line in enumerate(tqdm(text_lines, desc="Creating embeddings")):
    data.append({"id": i, "vector": doc_embeddings[i], "text": line})

client.insert(collection_name=collection_name, data=data)

---

4.5 可视化数据和 Schema

现在，我们可以使用 Attu 的界面可视化数据 Schema 和插入的实体。Schema 显示已定义的字段，包括id 类型的字段Int64 和vector 类型的字段FloatVector(768) 以及Inner Product (IP) 度量。Collections 中加载了72 个实体。

此外，我们还可以查看插入的数据，包括 ID、向量 Embeddings 和存储文本内容等元数据的 Dynamic Field。界面支持根据指定条件或动态字段进行过滤和查询。

5.可视化搜索结果和关系

Attu 提供了可视化和探索数据关系的强大界面。要检查插入的数据点及其相似性关系，请按照以下步骤操作：

5.1执行搜索

导航至 Attu 中的 "向量搜索"选项卡。

1. 单击 "生成随机数据"按钮创建测试查询。
2. 单击 "搜索"，根据生成的数据检索结果。

结果显示在表格中，显示每个匹配实体的 ID、相似度得分和 Dynamic Field。

---

5.2探索数据关系

单击结果面板中的 "探索 "按钮，可将查询向量与搜索结果之间的关系可视化为类似知识图谱的结构。

• 中心节点代表搜索向量。
• 连接的节点代表搜索结果，点击它们将显示相应节点的详细信息。

---

5.3展开图

双击任何结果节点可展开其连接。此操作可显示所选节点与 Collections 中其他数据点之间的其他关系，从而创建一个更大的、相互连接的知识图谱。

通过这种扩展视图，可以根据向量相似性更深入地探索数据点之间的关系。

---

6.结论

Attu 简化了存储在 Milvus 中的向量数据的管理和可视化。从数据插入到查询执行和交互式探索，它为处理复杂的向量搜索任务提供了一个直观的界面。凭借动态 Schema 支持、图形搜索可视化和灵活的查询过滤器等功能，Attu 使用户能够有效地分析大规模数据集。

通过利用 Attu 的可视化探索工具，用户可以更好地理解他们的数据，识别隐藏的关系，并做出数据驱动的决策。今天就开始使用 Attu 和 Milvus 探索您自己的数据集吧！

---