一、WSL Linux 部署单机版 Milvus 指南

1. 环境准备与硬件验证

硬件要求（需满足以下至少一项）：

软件依赖：

• Docker 19.03+ 和 Docker Compose 1.25.1+

2. 下载Milvus 安装yml文件

# 1. 下载官方部署脚本
$ wget https://github.com/milvus-io/milvus/releases/download/v2.5.6/milvus-standalone-docker-compose.yml -O docker-compose.yml

3. 修改docker-compose.yml配置

services:
  etcd:
    restart: always #保证docker 重启后会自动启动
  ....
  minio:
    restart: always  #保证docker 重启后会自动启动
    ports:
      - "19001:9001"  # 保证后续安装RAGflow 不会出现Minio 端口冲突
      - "19000:9000"  #
  ....
  standalone:
    restart: always
  ....

4. 容器修改 milvus.yaml

# 进入 Milvus 容器（替换 CONTAINER_ID）
docker exec -it milvus-standalone /bin/bash
# 启用认证
sed -i 's/authorizationEnabled: false/authorizationEnabled: true/g' /milvus/configs/milvus.yaml

docker exec -it milvus-standalone cat /milvus/configs/milvus.yaml | grep authorizationEnabled

显示为：true

5. 启动服务并验证服务状态

docker compose up -d

Milvus 可视化界面ATTU检查是否可以正常连接(Windows安装)

• 
• https://github.com/zilliztech/attu.git

---

二、WSL Linux 部署 Dify 的指南

1. 基础环境配置

# Step1. 克隆仓库（建议国内用户使用镜像源）
git clone https://github.com/langgenius/dify.git

# Step2. 配置。env环境变量
cd dify/docker
cp .env.example .env
sudo vim .env 
---------------------------------------------
# The type of vector store to use.
# VECTOR_STORE=weaviate  # 注释掉默认向量库配置
VECTOR_STORE=milvus

# The milvus uri.
MILVUS_URI=http://172.18.0.1:19530
MILVUS_TOKEN=
MILVUS_USER=your_user
MILVUS_PASSWORD=your_pass
MILVUS_ENABLE_HYBRID_SEARCH=True 
--------------------------------------------
Step3: 修改 docker-compose.yaml 配置
# 注释掉 Dify 关于 Milvus的配置，避免重复下载，与已经安装好的Milvus 冲突
 Milvus vector database services
  etcd:
    container_name: milvus-etcd
     ....
  minio:
    container_name: milvus-minio
     ....
  milvus-standalone:
    container_name: milvus-standalone
     ....

2. 启动与集成

docker compose up -d
# 这里会默认pull redis 、Postgre 、

显示结果如上图即 Milvus+Dify 初步配置成功

3. 启动Dify → 创建知识库

– Attu 里面可以看到 相应的collection 生成，说明 部署集成Milvus+Dify 已经成功

避坑指南：

1. 端口冲突：若 8080 端口被占用，需修改 .env 中的 NGINX_PORT 和 EXPOSE_NGINX_PORT
2. 向量库连接失败：检查 Milvus 的 19530 端口是否开放（telnet 127.0.0.1 19530）
3. GPU 支持：若需 GPU 加速，安装 NVIDIA Container Toolkit 并在 docker-compose.yml 添加 deploy.resources.reservations.devices 配置

---

三、典型问题解决方案库

问题现象	排查步骤	解决方案
Milvus 启动后无响应	1. 检查 docker logs milvus-standalone 2. 验证 CPU 指令集支持 3. 查看 /var/lib/milvus/logs	更换支持 AVX 的硬件环境
Dify 上传文档失败	1. 检查 MinIO 连接状态 2. 查看 API 容器日志 3. 验证存储卷权限	执行 chmod -R 777 ./storage
混合检索精度低	1. 检查分词策略 2. 验证向量维度匹配 3. 测试相似度阈值	调整 similarity_score_threshold 至 0.75-0.85 区间
高并发时服务崩溃	1. 监控 docker stats 2. 分析 OOM Killer 日志 3. 检查线程死锁	在 docker-compose.yml 中配置内存限制

---

四、性能优化建议

1. 缓存策略：为高频查询配置 Redis 二级缓存
2. 批量处理：对大批量文档启用 batch_size=500 参数，减少 IO 开销
3. 硬件加速：使用支持 Tensor Core 的 GPU（如 T4/A10）运行 BGE-M3 向量模型
4. 集群部署：数据量超 1 亿时，建议采用 Milvus 分布式集群（需 Kubernetes 环境）

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】