Milvus

Milvus هي قاعدة بيانات متجهات مفتوحة المصدر مصممة للبحث عن التشابه عالي الأداء على نطاق واسع، بدءًا من ملايين المتجهات على جهاز واحد وصولاً إلى مليارات المتجهات الموزعة عبر مجموعة (cluster) موزعة. تم إنشاؤها بواسطة Zilliz وتم التبرع بها إلى LF AI & Data Foundation في عام 2020، ويتم توزيعها بموجب ترخيص Apache 2.0 ويتم تطويرها بواسطة فريق هندسي متفرغ مع مساهمات من أكثر من 200 مطور مفتوح المصدر حول العالم. تعتمد أكثر من 10,000 مؤسسة على Milvus في بيئات الإنتاج، بما في ذلك NVIDIA و Salesforce و eBay و Airbnb و DoorDash. اعتبارًا من أبريل 2026، الإصدار المستقر الحالي هو Milvus 2.6.x.

تتمثل القدرة الأساسية في البحث التقريبي عن أقرب جار (ANN) عبر تضمينات المتجهات عالية الأبعاد، مع دعم لأكثر من 11 نوعًا من الفهارس بما في ذلك HNSW و IVF_FLAT و DiskANN و SCANN و CAGRA المسرّع بواسطة وحدة معالجة الرسومات (GPU) عبر مكتبة cuVS من NVIDIA. أضاف الإصدار Milvus 2.5 (ديسمبر 2024) بحثًا أصليًا عن النص الكامل باستخدام Sparse-BM25، مما يتيح استعلامات هجينة تجمع بين المتجهات والكلمات الرئيسية في محرك واحد دون الحاجة إلى نشر Elasticsearch منفصل. قدم الإصدار Milvus 2.6 (يونيو 2025) Woodpecker، وهو سجل كتابة مسبق (WAL) مبني للسحابة يلغي الاعتماد الخارجي على Kafka أو Pulsar، بالإضافة إلى تخزين متدرج ساخن/بارد لتقليل تكلفة التخزين بنسبة تصل إلى 50%. تدير Zilliz أيضًا Zilliz Cloud، وهي خدمة Milvus مدارة بالكامل مع فئة مجانية، ونموذج دفع حسب الاستخدام بدون خوادم (serverless)، ومجموعات مخصصة تبدأ من $99/month.

ما الذي تقدمه Milvus فعليًا في أبريل 2026

تُجري Milvus بحثًا عن تشابه المتجهات عبر مجموعات البيانات التي قد تتسبب في تعطل الأدوات الأخرى. مر المشروع بإعادتي بناء رئيسيتين للبنية: خط 1.x الأحادي الأصلي وبنية 2.x المبنية للسحابة والمفككة بالكامل والتي يتم إصدارها اليوم. يفصل تصميم 2.x بين التخزين والحوسبة والتنسيق في طبقات مستقلة، بحيث يمكنك توسيع عقد الاستعلام بشكل منفصل عن عقد استيعاب البيانات بناءً على شكل عبء العمل الفعلي.

يعد دعم الفهارس هو الأوسع في قواعد بيانات المتجهات مفتوحة المصدر. فبالإضافة إلى HNSW، ستحصل على متغيرات IVF لعمليات النشر المقيدة بالذاكرة، و DiskANN لفهارس على مستوى المليارات على القرص، و SCANN لسيناريوهات الاستدعاء العالي، وأربعة أنواع من الفهارس المسرّعة بواسطة وحدة معالجة الرسومات (GPU) من خلال NVIDIA cuVS. يوفر فهرس GPU CAGRA إنتاجية أعلى بحوالي 10 أضعاف في أعباء عمل البحث المجمّع مقارنةً بـ HNSW المعتمد على وحدة المعالجة المركزية (CPU) فقط عند مستويات استدعاء مماثلة. بالنسبة للفرق التي تمتلك بنية تحتية من وحدات معالجة الرسومات NVIDIA، فإن هذا ليس مجرد تحسن هامشي.

يعد دمج البحث عن النص الكامل في Milvus 2.5 الإضافة المعمارية الأكثر أهمية في الإصدارات الأخيرة. قبل الإصدار 2.5، كان النمط الشائع في بيئات الإنتاج هو تشغيل Milvus جنبًا إلى جنب مع Elasticsearch - حيث تُستخدم Milvus للبحث الدلالي، و Elasticsearch لمطابقة الكلمات الرئيسية - ودمج النتائج في طبقة التطبيق. استبدل Milvus 2.5 ذلك بـ Sparse-BM25 المدمج والمدعوم بفهرسة Tantivy. أظهرت المعايير التي نشرتها Zilliz عند الإطلاق أن Milvus 2.5 يعيد النتائج في 6 مللي ثانية مقابل 200 مللي ثانية لـ Elasticsearch على مليون متجه، وهو تحسن بمقدار 30 ضعفًا. تمكنت الفرق التي قامت بالترقية من التخلص من مجموعة (cluster) كاملة من بنيتها التحتية.

عالج Milvus 2.6 مشكلة الاعتماد على البنية التحتية من زاوية مختلفة. يلغي نظام Woodpecker WAL الجديد متطلبات Kafka أو Pulsar الخارجية من خلال حفظ بيانات السجل مباشرة في تخزين الكائنات (S3 أو GCS أو MinIO). يحقق Woodpecker إنتاجية تبلغ 450 ميجابايت/ثانية في وضع نظام الملفات المحلي، وهو أسرع بـ 3.5 مرة من Kafka، و 750 ميجابايت/ثانية مقابل S3، وهو أسرع بـ 5.8 مرة من Kafka. هذا التبسيط يهم بشكل خاص الفرق التي تستضيف النظام ذاتيًا والتي كان عليها سابقًا تشغيل ومراقبة مجموعة Kafka بالإضافة إلى etcd وتخزين الكائنات.

"تعتمد الفرق على Milvus في البيئات الصعبة حيث الأداء والموثوقية والتكلفة كلها أمور بالغة الأهمية. مع تزايد الاعتماد، سنستمر في الاستماع عن كثب إلى المجتمع وتحويل هذه الثقة إلى منصة تتوسع لتلبية احتياجات الإنتاج في المؤسسات." - جيمس لوان، نائب رئيس الهندسة في Zilliz، ديسمبر 2025

موقع Milvus مقارنة بـ Qdrant و Pinecone

تغطي هذه الخيارات الثلاثة مساحة اتخاذ القرار الرئيسية لقواعد بيانات المتجهات في بيئات الإنتاج، وتختلف ميكانيكيًا بطرق تؤثر على خيارات النشر.

تمت كتابة Qdrant بلغة Rust ويتم إصداره كملف تنفيذي واحد بدون أي تبعيات خارجية للنشر المستقل. فهرس ANN الأساسي الخاص به هو HNSW فقط - خوارزمية واحدة، مضبوطة جيدًا، مع تصفية غنية للبيانات الوصفية مبنية فوقها. تُظهر المعايير على متجهات SQuAD ذات 384 بُعدًا أن زمن انتقال استعلام Qdrant يبلغ 94 مللي ثانية مقابل 250 مللي ثانية لـ Milvus (يتفوق Qdrant في زمن انتقال الاستعلام الواحد)، لكن Milvus يحقق حوالي 46 استعلامًا في الثانية (QPS) مقابل 4.7 استعلامًا في الثانية لـ Qdrant (يتفوق Milvus في الإنتاجية بحوالي 10 أضعاف). يعد Qdrant الخيار الأفضل لأعباء العمل التي تقل عن 100 مليون متجه حيث يكون زمن الانتقال بالمللي ثانية المكون من رقم واحد أكثر أهمية من الإنتاجية الإجمالية. يتقدم Milvus عندما تتطلب أحجام الاستيعاب أو تزامن الاستعلامات أو إجمالي عدد المتجهات توسعًا أفقيًا - التجميع الأفقي لـ Qdrant أبسط من Milvus ولكنه غير مصمم لنفس أحجام البيانات. كما لا يحتوي Qdrant على دعم لتسريع وحدة معالجة الرسومات (GPU). يدعم Milvus فهرس NVIDIA CAGRA لتحقيق مكاسب في الإنتاجية تصل إلى 10 أضعاف على الأجهزة المتوافقة.

يعد Pinecone نظامًا مغلق المصدر ومملوكًا بالكامل، ولا يتوفر به خيار الاستضافة الذاتية. يمكنك استخدامه من خلال خدمتهم السحابية المدارة فقط. يقوم Pinecone بتجريد طبقة الفهرسة بالكامل - لا يمكنك اختيار نوع الفهرس أو ضبط معلمات HNSW أو الوصول إلى الأجزاء الداخلية للتخزين. بالنسبة للفرق التي ليس لديها تفويض بالبنية التحتية، تعد هذه ميزة: يصل Pinecone إلى مرحلة الإنتاج في غضون فترة ما بعد الظهيرة. أما بالنسبة للفرق التي تحتاج إلى قابلية نقل البيانات أو الوصول للتدقيق أو ضبط زمن انتقال الاستدعاء لأعباء عمل محددة، فإن هذا التجريد يصبح عائقًا. تختلف الأسعار بشكل كبير على نطاق واسع: تتراوح تكلفة الخدمة المدارة لـ Pinecone بين $700-1,200/month لـ 10 ملايين متجه، بينما تتراوح تكلفة البنية التحتية المكافئة المستضافة ذاتيًا لـ Milvus عادةً بين $500-2,000/month اعتمادًا على اختيار المثيل (instance)، مع كون الفرق هو التحكم التشغيلي مقابل راحة عدم وجود عمليات (zero-ops). تُظهر معايير عام 2026 أن Milvus يحقق زمن انتقال p95 يبلغ 8 مللي ثانية مع حوالي 4,200 استعلام في الثانية (QPS) مقابل Pinecone بزمن انتقال p95 يبلغ 12 مللي ثانية مع حوالي 2,800 استعلام في الثانية لأعباء عمل استعلام مماثلة، مما يمنح Milvus ميزة أداء متواضعة على نطاق واسع عندما تكون البنية التحتية مضبوطة جيدًا.

"نحن لا نجمع فقط بين نهجين للبحث - بل نحدث ثورة في بحث المؤسسات من خلال حل أسرع بـ 30 مرة مع تبسيط البنية التحتية بشكل كبير." - تشارلز شيه، المؤسس والرئيس التنفيذي لشركة Zilliz، 17 ديسمبر 2024

كيف يبدو واقع النشر

يأتي Milvus في وضعين. يعمل الوضع المستقل (Standalone) على Docker ويناسب التطوير وأعباء العمل صغيرة النطاق. وضع المجموعة (Cluster) مبني خصيصًا لـ Kubernetes وهو المسار الموصى به لبيئات الإنتاج. الفجوة بين هذين الوضعين كبيرة.

تتطلب مجموعة Milvus في بيئة الإنتاج، كحد أدنى: مجموعة Kubernetes، و etcd لتخزين البيانات الوصفية، وتخزين الكائنات (S3 أو MinIO). قبل الإصدار Milvus 2.6، كنت بحاجة أيضًا إلى Kafka أو Pulsar لسجل الكتابة المسبق - تم استبدال هذا الاعتماد الآن بـ Woodpecker، وهو تبسيط ذو مغزى. يتعامل Milvus Operator (وهو مشغل Kubernetes تديره Zilliz) مع الكثير من هيكلة النشر وإدارة دورة الحياة. يعد استخدام Helm مباشرة بدون المشغل ممكنًا ولكنه هش: القيم الافتراضية ليست جاهزة للإنتاج، وضبط حدود الموارد وعدد النسخ المتماثلة وفئات التخزين قبل أن يضرب عبء العمل الحقيقي يتطلب خبرة في كل من Kubernetes وقواعد البيانات الموزعة.

بالنسبة للفرق التي لا تمتلك هذه الخبرة، تزيل Zilliz Cloud العبء التشغيلي بالكامل. تقدم الخدمة المدارة نفس واجهة برمجة تطبيقات Milvus مع فئة مجانية (5 جيجابايت، 2.5 مليون vCUs/month)، وفئة Serverless بسعر $4 لكل مليون vCUs، ومجموعات مخصصة تبدأ من $99/month. تدعي منصة Zilliz Cloud اتفاقية مستوى خدمة (SLA) لجهوزية بنسبة 99.95% وتعمل على AWS و Azure و GCP. أبلغت المؤسسات التي انتقلت من OpenSearch إلى Zilliz Cloud عن تخفيضات في التكلفة تصل إلى 8 أضعاف مع الحفاظ على أداء البحث أو تحسينه، وفقًا لإعلان إصدار Zilliz في يونيو 2025. المسار المدار هو الخيار الواقعي للفرق التي تريد إمكانات Milvus دون الاستثمار في البنية التحتية.

لمن تم بناء Milvus

يعد Milvus الخيار الطبيعي عندما يكون عبء عمل البحث عن المتجهات كبيرًا حقًا. الفرق التي تبني أنظمة RAG التي تحتاج إلى البحث عبر مئات الملايين من أجزاء المستندات، أو محركات التوصية التي تفهرس مئات الملايين من المنتجات أو عناصر الوسائط، أو مسارات البحث متعددة الوسائط التي تجمع بين تضمينات الصور والنصوص على نطاق واسع - هذه هي السيناريوهات التي تم تصميم Milvus من أجلها. تفيد الفهارس المسرّعة بواسطة وحدة معالجة الرسومات (GPU) بشكل خاص الفرق التي تقوم بتشغيل أجهزة NVIDIA في مكدس الاستدلال الخاص بها والتي تحتاج أيضًا إلى أعلى إنتاجية بحث ممكنة.

ستجد فرق هندسة البيانات التي تتمتع بخبرة في Kubernetes وتفضل التحكم في البنية التحتية مفتوحة المصدر على الراحة المدارة أن بنية Milvus مألوفة ومرونتها قيّمة. ترخيص Apache 2.0 وحوكمة LF AI & Data Foundation يعنيان عدم وجود تقييد بالمورد (vendor lock-in) على طبقة البيانات: تضميناتك ملكك، وقابلة للنقل عبر عمليات النشر المختلفة.

يعزز النظام البيئي المتنامي للتكامل هذا الأمر: يعمل Milvus بشكل أصلي مع LangChain و LlamaIndex و Haystack و LangGraph لمسارات الوكلاء و RAG، ويتصل بمنصات البيانات من خلال موصلات Apache Spark و Kafka لسير عمل الاستيعاب عالي الحجم.

ما لا يمثله Milvus

ليس Milvus الخيار الصحيح للفرق في المراحل المبكرة التي تحتاج إلى تشغيل بحث المتجهات في غضون فترة ما بعد الظهيرة دون خبرة في Kubernetes. يوصلك Chroma (مدمج في Python، بدون بنية تحتية) أو Qdrant (ملف تنفيذي واحد، واجهة برمجة تطبيقات REST بسيطة) إلى نموذج أولي يعمل بشكل أسرع. يصبح العبء المعماري لـ Milvus ميزة فقط عندما تبرر متطلبات النطاق أو الإنتاجية أو مرونة الفهرس ذلك.

إنه ليس قاعدة بيانات علائقية مع إمكانات متجهات مضافة إليها. قد تجد الفرق التي تقوم بتشغيل استعلامات منظمة بشكل أساسي مع بحث المتجهات كمرشح ثانوي أن pgvector (امتداد Postgres) أكثر ملاءمة - فهو يحتفظ بجميع البيانات في نظام واحد ويتجنب تشغيل قاعدة بيانات منفصلة. يتألق Milvus عندما يكون استرجاع المتجهات هو العملية الأساسية، وليس مرشحًا ثانويًا على نتائج SQL.

يجب على الفرق التي ليس لديها نية لتشغيل بنيتها التحتية الخاصة ولا تحتاج إلى ضمانات قابلية النقل مفتوحة المصدر تقييم Pinecone أو Zilliz Cloud مباشرة. لا يوجد سبب لتحمل التعقيد التشغيلي لـ Milvus إذا كانت الفائدة الوحيدة التي تحتاجها هي نقطة نهاية بحث متجهات مدارة مع مصادقة بسيطة وتوسع تلقائي.