目录
一、基本介绍
二、修改langflow代码使其支持milvus
三、效果演示
langflow是一个LangChain UI，它提供了一种交互界面来使用LangChain，通过简单的拖拽即可搭建自己的实验、原型流。通过在langflow中引入Milvus，用户可以更方便地存储和查询高维向量数据
由于目前langflow的流程中不支持向量数据库Milvus，因此本文将介绍如何在langflow中引入Milvus。
一、基本介绍
LangFlow是一个基于Web的LangChain UI，它提供了一种交互界面来使用LangChain，通过简单的拖拽即可搭建自己的实验、原型流。
Milvus是一款向量数据库，它具备高可用、高性能、易拓展的特点，Milvus支持两种部署模式，单机模式（standalone）和分布式模式（cluster）。两种模式具备完全相同的能力，用户可以根据数据规模、访问量等因素选择适合自己的模式，本文主要使用Standalone模式部署 Milvus。
单机版 Milvus 包括三个组件：
- Milvus负责提供系统的核心功能。
- etcd是元数据引擎，用于管理Milvus内部组件的元数据访问和存储，例如：proxy、index node 等。
- MinIO 是存储引擎，负责维护 Milvus 的数据持久化
本文使用docker方式进行部署，访问地址：https://milvus.io/docs/attu_install-docker.md
进入milvus官网，在官网下载docker-compose.yml文件，如下图所示，点击下载即可
这里下载后的文件名为milvus-standalone-docker-compose.yml，需要把文件名改为docker-compose.yml，为了方便查看数据，这里还需要安装可视化组件，在docker-compose.yml的service块下添加如下内容
attu:container_name: attuimage: zilliz/attu:v2.2.3environment:MILVUS_URL: milvus-standalone:19530ports:- "8000:3000"depends_on:- "standalone"完成以上步骤后，我们就可以启动Milvus相关服务，在docker-compose.yml的目录下输入指令：docker-compose up -d，执行成功后，通过docker ps可以看到有如下服务：
至此Milvus相关服务安装完成，访问8000端口可以进入可视化界面，如下图所示：
二、修改langflow代码使其支持milvus
首先在配置文件中增加milvus的配置，让其可以在前端页面组件中展示出来，如下图所示：
重新启动后可以在页面的Vector Stores中看到Milvus，接下来分析页面节点组件初始化过程，页面节点组件初始化接口如下所示：
执行node.build后进入build方法，build方法里面执行_build()方法进行组件初始化，初始化方法如下图所示：
进入instantiate_class方法执行import_by_type组件初始化，方法如下：
向量数据库会执行import_vectorstore方法，该方法返回的是对应组件的实例，代码如下所示：
由于该方法不能处理milvus数据库，所以在import_by_type增加milvus的初始化逻辑，新增代码如下图所示：
至此代码修改完毕。
三、效果演示
启动langflow前后端服务，访问前端服务界面如下所示：
点击import，选择PDF Loader为例演示，我们将其中的Chroma数据库改为milvus，并填入相关内容，如下图所示：
如上图所示所有组件都加载成功，并且数据都存入了milvus数据库中，如下图所示：
接下来可以进行问题提问，输入pdf中的内容what is langchain?
稍等片刻出现如下结果，验证正确
作者：程欢 | 高级后端开发工程师
版权声明:本文由神州数码云基地团队整理撰写，若转载请注明出处。
公众号搜索神州数码云基地，了解更多AI相关技术干货。
