火山引擎 Milvus 发布官方 CLI + Skill：终端与对话双通道掌控向量数据库

作者：袖梨 2026-06-04

⭐ 火山引擎 Milvus 同步推出官方命令行工具 Milvus CLI 与 AI Agent 技能 Milvus Skill，分别面向脚本自动化和自然语言交互两大场景，让 Milvus 向量数据库的全生命周期管理从「打开控制台逐步操作」变为「一行命令」或「一句话」即可完成。

当 AI Agent 开始接管工作流，Milvus 准备好了吗？

AI Agent 正在从实验性项目走向生产环境。越来越多的团队开始把 Agent 嵌入到日常研发、运维和数据处理的工作流中 —— 让 Agent 帮忙部署服务、管理资源、跑回归测试。你是否也遇到过这些问题：

想创建一个 Milvus 实例做验证，但现有接口要么是图形化控制台，要么是一堆需要手工拼装的 REST API，缺乏一个结构化、可以让 Agent 直接调用的命令层
想在 CI/CD 自动化流水线中端到端地跑通数据初始化 + 向量检索回归，但缺乏现成的 CLI 工具支持 JSON 结构化输出，只能拼凑一堆 curl 脚本，或是花更大的成本使用 SDK 开发专用程序
产品经理、运营、算法同学也希望能通过与 Agent 对话完成向量检索或其他 Milvus 相关场景的快速验证，而不是每次都要找 RD 同学帮忙
SRE 同学日常管理诸多环境，在控制台中来回切换，存在误操作的风险隐患，希望能有统一的工具将配置切换、操作路径都固化到脚本或 SKILL 中

火山引擎 Milvus 这次同步推出 CLI 和 Skill，就是为了补上这一环 —— 让 Milvus 向量数据库既能被人高效操作，也能被 Agent 原生调用。

两条路径，覆盖不同使用习惯

我们针对两类典型使用方式，分别提供了对应的工具：

Milvus CLI —— 终端派的生产力工具

针对习惯在终端环境下操作的开发者和运维人员，系统通过一行命令实现从实例创建到向量检索的完整流程，天然支持脚本化和 CI/CD 集成。

Milvus Skill —— 对话派的智能助手

面向希望用自然语言完成日常运维与数据操作的团队。接入 AI Agent 后，一句话就能创建实例、查询状态、执行检索，把分散操作收拢到统一对话入口。

Milvus CLI：把控制台搬进终端

Milvus CLI 是火山引擎 Milvus 的官方命令行工具，覆盖控制面（Dedicated/Serverless 实例管理）与数据面（数据库、集合、向量增删改查、权限）常用操作。它把网页上的「点点点」变成可脚本化、可复用、可审计的一行命令。

能力全景

控制面能力

认证与凭证：AK/SK 加密存储、环境变量注入
Profile 管理：站点、地域、项目一键切换
Dedicated 实例：创建、删除、扩缩容、保护
Serverless 实例：秒级创建、即开即用
网络配置：私网/公网域名、IP 白名单
规格查询：版本、可用区、节点规格

数据面能力

连接管理：保存配置，支持多种认证方式
集合/分区：创建、加载、释放、Flush
向量操作：Insert、Search、Hybrid Search
索引管理：多种索引类型创建与查询
权限管理：User/Role RBAC 全覆盖
自动化友好：JSON/YAML 输出 + 文件导出

5 分钟极速上手

从安装到完成一次向量检索，只需 5 步。整个流程可以直接复制到脚本或 CI 流水线中。

Step 1：一键安装

Linux/MacOS

curl -fsSL https://raw.githubusercontent.com/volcengine/milvus-cli/main/install.sh | sh

安装后按照提示将 ~/.milvus-cli/bin 加入 PATH，或在当前 Shell 中执行：

export PATH="$HOME/.milvus-cli/bin:$PATH"

Windows

irm https://raw.githubusercontent.com/volcengine/milvus-cli/main/install.ps1 | iex

Step 2：控制面认证

milvus-cli auth login --name volcengine --ak <AK> --sk <SK>

Step 3：创建 Profile

milvus-cli profile create 
  --name default 
  --site volcengine 
  --region cn-beijing 
  --project default 
  --credential volcengine 
  --language CN

Step 4：创建实例（Serverless 秒级开通）

milvus-cli serverless instance create 
  --name quick-test 
  --version V2_5 
  --vpc-id <vpc-id> 
  --subnet-id <subnet-id> 
  --password <password> 
  --wait

提示：vpc-id、subnet-id 也可通过以下方式快速获取

milvus-cli spec vpc
milvus-cli spec subnet --vpc-id <vpc-id>

Step 5：连接 + 建集合 + 插入 + 检索

注：默认使用 Milvus 实例私网地址，需在相同 VPC 下使用；也可通过指定 --address 创建自定义连接。

# 创建连接
milvus-cli data connection create 
  --from-serverless <instance-id> 
  --password <password># 建集合
milvus-cli data collection create --name quickstart --dim 768# 插入数据
milvus-cli data vector insert --collection quickstart 
  --data '[{"vector":[0.1,0.2,...,0.768]}]'# 向量检索（结果导出 JSON）
milvus-cli data vector search --collection quickstart 
  --vector '[0.1,0.2,...,0.768]' 
  --topk 5 --output json --file ./result.json

️ 至此，你已完成：安装 → 认证 → Profile → 创建实例 → 连接 → 建集合 → 插入 → 检索。整个流程可以直接复制到脚本或 CI 流水线中。

核心场景详解

场景一：自然语言驱动的实例管理（AI Agent 场景）

可在使用的 Agent 中，输入以下内容安装 milvus-cli 技能“参考 github.com/volcengine/… milvus-cli 技能”。

Milvus CLI 所有命令支持 --output json|yaml 结构化输出，天然适配 AI Agent 调用。Agent 可直接解析返回结果，完成后续决策与操作。以下为通过 milvus-cli 技能创建 Serverless 实例的示例：

场景二：多环境批量运维

通过 Profile 机制，在开发/测试/生产环境间一键切换，配合 --yes --non-interactive 实现无人值守的自动化运维。

场景三：CI/CD、回归测试、数据操作自动化

# CI 环境变量注入认证
export VOLCSTACK_ACCESS_KEY_ID=$AK
export VOLCSTACK_SECRET_ACCESS_KEY=$SK
milvus-cli auth login --name ci# 创建测试集合并灌入回归数据
milvus-cli data collection create --schema ./test_collection.json --load=true
milvus-cli data vector insert --collection test_collection --file ./test-data.json# 执行检索并验证
milvus-cli data vector search --collection test_collection 
  --vector-field float_vector --vector '[0.1,0.2,0.3,0.4,...,0.128]' 
  --topk 10 --output json 
  --file result.json

为什么选择 Milvus CLI

高级能力一览

结构化输出：所有命令支持 --output table|json|yaml。检索结果可直接 --file 导出，适合接入下游流水线。

凭证优先级：--ak/--sk > 环境变量 > Profile 引用。灵活适配本地开发与 CI 环境。

安全确认机制：危险操作（删除/释放）默认需确认。自动化场景用 --yes 显式跳过，兼顾安全与效率。

Shell 自动补全：支持 Bash/Zsh 补全，越用越顺手。任何子命令 --help 即可查看完整参数说明。

Milvus Skill：用一句话代替一串命令

在向量数据库的日常使用过程中，团队往往需要在云平台控制台、API 调用和数据脚本之间切换，以完成实例管理、环境查询以及数据处理等任务。Milvus Skill 将这些常见操作整合到 AI Agent 的对话流程中，使 Milvus 的使用由分散操作转向集中管理，适合希望提高运维与开发协作效率的团队。