导出 Milvus 数据
运行 export.py，并检查输出结果。输出目录中包含 data 目录、warning.log、table_config.json 和 csv 文件。
迁移流程关注什么
Milvus 离线迁移文档提供了导出、转换、导入和检查的关键步骤。
转换表结构
table_config.json 为由 Milvus 表转化而来的、符合 VDB 概念的表结构，用于在 VDB 中创建对应的表。
导入 VectorDB
csv2vdb_config.yaml 需要根据目标端 VDB 集群信息修改相关配置项，运行 import.py 后在 VDB 中检查数据是否成功导入。
导入配置需要哪些信息
迁移文档的 csv2vdb_config.yaml 示例列出了目标端 VDB 集群的关键配置。
数据库连接配置
hostVDB 实例的 IP 地址。
portVDB 实例端口号。
accountVDB 的账号。
api_keyVDB 的 api 秘钥。
目标库和数据路径
db_name导入目标数据库名。
data_path导入数据源，例如 ./data。
检查方式运行 import.py 后，使用 mochow-cli 检查迁移后的数据表。
迁移后为什么要关注索引
迁移文档提示导入完成后考虑在检索前重建索引；索引选择文档说明不同索引在成本、性能和召回率之间需要权衡。
重建索引提升查询速度
迁移文档说明，在使用前推荐用户重建向量索引以提升查询速度，相关操作可查阅 OpenAPI 或 SDK 相关文档。
无索引和 FLAT
无索引是不建立向量索引，在检索时读取原始向量数据并执行 KNN 检索；FLAT 将原始向量数据平坦地摆放在内存中，本质是全内存加 KNN 检索。
HNSW、PUCK 和 IVF
HNSW 是经典的图结构索引；PUCK 是百度自行研发的向量索引；IVF 通过将向量空间划分为多个聚类，并在每个区域内独立执行搜索来减少计算复杂度。
迁移到 VectorDB 后可使用哪些能力
VectorDB 产品页介绍了检索能力、性能、上下游集成和企业级能力。
全面的检索能力
通过元数据过滤和向量检索结合，查询出用户想要的结果；基于关键词和短语的 BM25 检索结合向量检索，提供精确检索的能力；基于多种检索进行多路召回及融合排序，提供更加高质量的检索结果。
性能与上下游集成
标准数据集、不同召回率情况下，向量检索的 QPS 性能优于开源 1~10 倍。VectorDB 产品兼容市面上大部分的模型，并且有百度智能云的大模型生态加持。
企业级能力
- 多租户隔离，确保不同部门、不同业务线、不同业务单元等具有相应权限。
- 提供对关键业务的更高可用性和可靠性的能力，业务可以获得更高的 SLA 保证。
- 提供安全白名单、TLS 传输加密，企业级客户可以安全地访问数据。