今天在讲Milvus的Attu之前，我们先来唠一段计算机行业的八卦。那是一个必须靠敲代码、输命令才能完成开机、建文件的时代，“会开电脑就已经很厉害了”，在那时候，还不是骂人的话雷布斯在内，中国的第一代互联网精英们，都是这个时代的受益者。但很快，随着Windows的图形界面出现，它把复杂指令变成了点图标、拖窗口这样的简单操作，电脑的普及率也随之大幅提升。当然，很多人对这个故事可能也不太熟，因为已经是40年前的事情了。但很难相信，PC行业四十年前就完成的事情，在数据库行业，还是进行时状态。直到今天，操作很多数据库，想查一条数据、建一个数据集合，我们都得写专门Python/Go脚本；甚至只是切换不同环境的数据库，都要手动改配置。开发做这些自然轻车熟路，但对RAG、推荐系统等场景的业务人员来说，门槛不低。这也是今天为什么介绍Milvus的Web管理工具Attu的原因（尽管已经推出两三年了），但这绝对是我用过最好用的可视化界面替代命令行的数据库产品！01 Attu是什么？
Attu是Milvus的全功能Web管理界面，就像MySQL有了Workbench、Redis有了RedisInsight，让你用浏览器就能完成所有数据库操作。Attu采用前后端分离架构：React前端提供可视化操作界面，Node.js中间层封装Milvus SDK并暴露RESTful API，底层直连Milvus完成数据操作。简单说就是给Milvus套了个Web壳，把命令行操作变成图形界面点击。技术栈选型上，React负责UI交互，Express.js处理WebSocket实时推送，底层通过官方Node.js SDK与Milvus 2.x通信。02 Attu解决什么痛点？
痛点1：管理数据对象要写代码查看集群有哪些Collection、Partition、Database，或者创建、修改、删除这些对象，都需要写Python/Go脚本调用SDK。Attu提供Web界面，点击就能完成所有管理操作。痛点2：向量数据看不懂查询返回的768维向量是一串浮点数，无法直观判断数据内容。Attu自动显示向量维度和关联的标量字段，让数据可读。痛点3：验证查询效果慢测试RAG召回效果需要写脚本执行Search，每次修改参数都要重新运行代码。Attu提供Search界面，输入查询条件立即返回结果，实时查看召回内容和相似度分数。痛点4：多环境切换麻烦开发、测试、生产环境的Milvus地址不同，每次切换需要修改代码配置。Attu支持保存多个连接配置，一键切换不同环境。03 Attu完整功能实操指南
Attu 支持连接Milvus Standalone和Zilliz Cloud，可灵活使用本地或云托管数据库。本文采用Standalone部署方式进行实操。环境准备Docker 20.10+ Docker Compose 2.0+wget https://raw.githubusercontent.com/milvus-io/milvus/refs/tags/v2.6.3/deployments/docker/standalone/docker-compose.yml
bash
docker run -d \
--name attu \
-p 8000:3000 \
-e MILVUS_URL=http://host.docker.internal:19530 \
zilliz/attu:2.6.1
#访问 http://localhost:8000
kubectl apply -f https://raw.githubusercontent.com/zilliztech/attu/main/attu-k8s-deploy.yaml
- 访问 http://localhost:8000，进入登录页面
- Milvus Address: localhost:19530（Docker用户填host.docker.internal:19530）
这是Attu最核心的功能，相当于MySQL Workbench的表管理模块。2.1 创建Database（Milvus 2.4+支持）点击左上角“+”号，输入数据库名称（如：knowledge_base_db）后创建Collection 是向量数据库中存储数据的基本单位，类似于关系型数据库中的表。Collection名称: product_vectors
描述: 商品向量搜索集合
字段配置
主键字段:
-名称: id
- 类型: VARCHAR
- Max Length: 64
- 自动ID: 否
向量字段:
- 名称: vector
- 类型: Float Vector
- 维度: 768
Functions
BM25: 不启用
TextEmbedding: 不启用
Settings
一致性级别: Bounded
分片数量: 1
启用动态 Schema: ✅ 是
创建后加载: ✅ 是
这是product_vectors集合的数据模型定义界面，展示了集合的核心结构：- id：主键字段，VarChar(1024) 类型，配置了自动索引
- vector：向量字段，FloatVector(768) 维度，使用 COSINE 余弦相似度索引
- $meta：动态字段，JSON 类型，支持灵活的元数据存储，可创建 JSON 索引
数据：浏览和管理collection中存储的具体数据记录进入Collection详情页数据标签，可导入文件。这里采用示例数据导入这是向量相似度搜索的查询配置界面，用于执行向量检索操作：- vector 字段：选择要搜索的向量字段（FloatVector(768)，COSINE 索引）
（1）选择数据标签里面找到已有数据的vector进行复制分区是 Collection 内部的逻辑隔离单元，用于将数据按业务需求分组存储：- 精准查询：搜索时可指定分区，大幅提升效率（避免全表扫描）
- 典型场景：按时间分区（如按月）、按类别分区（如商品类目）、按租户分区（多租户隔离）
Play(beta) 是Attu提供的一个API测试平台，让你可以直接在网页上测试Milvus的各种操作，而不需要编写完整的程序代码。这是系统健康监控仪表板，让管理员可以实时查看Milvus集群的运行状态。界面顶部展示了Milvus系统的核心信息。当前系统运行在STANDALONE单机模式下，使用的是2.6.3版本。除了版本号外，系统还详细记录了代码的Git提交版本号、Go语言运行环境信息，以及系统的构建时间和部署创建时间，这些时间戳帮助管理员追溯系统的部署历史。下方页签停留在Milvus节点标签，该页面用于查看所有服务组件的运行状态。往下依次是Milvus配置和环境变量标签，分别用于查看系统的配置参数和环境设置。慢请求标签则专门用于监控那些响应缓慢的查询操作，帮助定位性能瓶颈。再往下的Segment和副本标签，分别管理数据段信息和数据副本的分布情况。最后是资源组标签，用于查看集群的资源分配状况。这些功能模块共同构成了Milvus的相对完整运维监控体系。Milvus 节点的任务管理页面，包含五种任务类型：QueryCoord 任务、压缩（Compaction）任务、索引构建任务、Import 任务和 Sync 任务。界面以表格形式展示任务信息，包含任务名称、Collection 名称、Collection ID、任务类型、任务状态和操作等字段。用户和角色管理页面，采用 RBAC（基于角色的访问控制）模型。界面分为用户、角色、权限组三个标签页。用户管理模块提供添加用户、修改密码、编辑角色、删除等功能。表格展示用户与角色的对应关系，示例中root 用户被分配了 admin 角色。必须要以root用户重新登录attu，默认密码Milvus。Collection 模块：用于细粒度控制特定 Collection 的操作权限04 写在最后
Attu可以解决大部分的日常管理场景，它能让你从写脚本操作解放出来，把时间花在更有价值的事情上——比如优化RAG的召回策略，设计agent架构。最重要的是，时间可以用在技术开发上，再也不用每天8小时工作时间，还要专门抽一小时帮业务干数据查看、管理、写脚本这样的无意义活动，这真的很重要！！！
