深度拆解 Zilliz 两款官方 Skill：7 个文件教 AI 写 pymilvus 代码，14 个文件教 AI 管云集群

深度拆解 Zilliz 两款官方 Skill：7 个文件教 AI 写 pymilvus 代码，14 个文件教 AI 管云集群

🚩 2026 年「术哥无界」系列实战文档 X 篇原创计划 第 78 篇，Milvus最佳实战「2026」系列第 4 篇

大家好，欢迎来到 术哥无界 | ShugeX ｜ 运维有术。

我是术哥，一名专注于 AI 编程、AI 智能体、Agent Skills、MCP、云原生、AIOps、Milvus 向量数据库的技术实践者与开源布道者！

Talk is cheap, let's explore。无界探索，有术而行。

封面图：拆解 Zilliz 官方 Skill

图 1：Zilliz 官方 Skill 全景——7 个文件覆盖 pymilvus 编码，14 个文件覆盖云端运维

假设你正在用 Claude Code 开发一个 RAG 应用，需要频繁跟 Milvus 向量数据库打交道。创建集合、定义 schema、插入向量、跑混合搜索：每一步都得翻 pymilvus 文档，找到对应的 API，再拼代码。

更烦的是，如果你用的是 Zilliz Cloud 托管服务，还得切到浏览器登录控制台去管理集群、查看监控、配置备份。

开发环境和运维环境完全是两个世界。

Zilliz 近期发布的两个 Skill 正好瞄准了这个断裂点。Milvus Skill 教 AI Agent 用 Python SDK 操作向量数据库，Zilliz Cloud Skill 教 AI Agent 通过命令行管理云端一切。两个 Skill 各管一摊，合在一起就是一条完整的开发运维链路。

翻了一圈两个 Skill 的源码之后，我发现它们的设计思路和技术实现有不少值得聊的地方。这篇文章就来拆解一下。

1. 两个 Skill，两种角色

先说一个容易搞混的点：这两个 Skill 不是同一个东西的两个版本，而是面向完全不同场景的两个独立工具。

双架构对比图：Milvus Skill vs Zilliz Cloud Skill

图 2：两个 Skill 的架构定位——Milvus Skill 通过 pymilvus SDK 操作数据，Zilliz Cloud Skill 通过 CLI 管理云服务

Milvus Skill 的定位很明确：让 AI Agent 精通 pymilvus 这个 Python SDK。它教 AI 怎么写代码去连接 Milvus、创建集合、插入向量、执行搜索——本质上是一个编码助手。不管你用的是本地 Milvus Lite、自托管的 Standalone/Cluster，还是 Zilliz Cloud 托管服务，这个 Skill 都能覆盖。

Zilliz Cloud Skill 的定位完全不同：让 AI Agent 精通 zilliz-cli 这个命令行工具。它教 AI 怎么通过命令行去管理 Zilliz Cloud 上的集群、备份、监控、计费——本质上是一个DBA 助手。注意，它只适用于 Zilliz Cloud 托管服务，跟自托管的 Milvus 没关系。

用一句话区分：

• Milvus Skill → 教 AI 写代码操作数据
• Zilliz Cloud Skill → 教 AI 敲命令管理服务

两者互补，不重叠。下面这张表能看得更清楚：

2. Milvus Skill：让 AI 写出靠谱的 pymilvus 代码

模块化设计：7 个参考文件各有分工

Milvus Skill 的 references/ 目录下有 7 个文件，每个文件对应一块独立的能力域：

这种拆法的好处是：AI Agent 在处理某个具体任务时，只需要加载相关的参考文件，不用把所有文档一股脑塞进上下文。collection.md 负责建表相关的知识，vector.md 负责数据操作相关的知识，各司其职。

说实话，这个分文件的思路比一整个大文档要聪明得多。上下文窗口是有限的，按需加载比全量灌入效率高。

支持的数据类型：比想象中丰富

翻 collection.md 的时候，我注意到 Milvus 支持的向量类型比很多人以为的要多：

标量类型：BOOL、INT8/16/32/64、FLOAT、DOUBLE、VARCHAR、JSON、ARRAY

向量类型：

• FLOAT_VECTOR — 最常用的 32 位浮点向量
• FLOAT16_VECTOR — 半精度，省内存
• BFLOAT16_VECTOR — BF16 格式，深度学习常用
• BINARY_VECTOR — 二值向量
• SPARSE_FLOAT_VECTOR — 稀疏向量，全文搜索场景
• INT8_VECTOR — 量化向量，进一步压缩存储

6 种向量类型对应不同场景。如果你只熟悉 FLOAT_VECTOR，那 SPARSE_FLOAT_VECTOR（稀疏向量）配合 BM25 全文搜索这个组合值得了解一下——后面会细说。

混合搜索：Skill 里最值得关注的特性

混合搜索流程图：Dense + Sparse 双路搜索与 RRF 重排

图 3：混合搜索流程——用户查询同时走语义搜索和关键词搜索两路，经 RRF 重排后合并结果

patterns.md 里记录了四种常见模式，其中混合搜索（Hybrid Search）的实现方式比较有技术含量。它的核心思路是：同时用 dense 向量（语义搜索）和 sparse 向量（关键词搜索）分别跑一次搜索，然后用 RRF（Reciprocal Rank Fusion）或加权排序把两路结果合并。

具体到代码层面，涉及的组件包括：

1. AnnSearchRequest — 每一路搜索请求
2. RRFRanker / WeightedRanker — 结果重排策略
3. SPARSE_FLOAT_VECTOR — 稀疏向量字段

RRFRanker 的原理不复杂：对每路搜索结果按排名取倒数再求和，排名越靠前的文档得分越高。WeightedRanker 则是给每路搜索分配一个权重直接加权。Skill 里把这些细节都写清楚了，AI Agent 读到之后就能直接生成可用的混合搜索代码，不需要开发者自己去查论文。

全文搜索：BM25 + 自动文本转向量

另一个有意思的功能是全文搜索。Milvus 2.6+ 引入了内置 BM25 支持，配合 Function 和 FunctionType.BM25，可以自动把文本转成稀疏向量，不需要额外接入 Embedding 模型。

这意味着什么？以前做全文搜索要自己搞分词、算 TF-IDF、生成稀疏向量。现在告诉 AI Agent 一句话，它就能帮你写出创建集合时自动配置 BM25 Function 的代码。整个流程从"手动搭管道"变成了"一句话配置"。

搜索迭代器：大数据集的分页方案

vector.md 里还提到了 search_iterator 和 query_iterator，这是针对大数据集分页查询的设计。传统的 search 返回固定条数的结果，遇到百万级甚至千万级的数据集，一次拿不完。迭代器的思路是游标式分页，拿完一批再拿下一批，不会遗漏也不会重复。

Skill 里把这几个能力点拆得干净利落，AI Agent 按需读取对应的参考文件就能生成正确代码。

3. Zilliz Cloud Skill：让 AI 当你的云端 DBA

命令模式设计

Zilliz Cloud Skill 的操作模式和 Milvus Skill 完全不同。它不是让 AI 写 Python 代码，而是让 AI 拼命令行：

zilliz <resource> <action> --flag <value>

比如：

• zilliz cluster list — 列出所有集群
• zilliz collection create --name my_collection — 创建集合
• zilliz backup create --name daily-backup — 创建备份

支持三种输出格式：json（机器可读）、table（人类友好）、text（纯文本）。AI Agent 可以根据场景自动选择合适的格式。

14 个参考文件：覆盖云端管理全生命周期

能力全景图：Zilliz Cloud Skill 14 个模块

图 4：Zilliz Cloud Skill 能力全景——14 个模块按 5 大类别覆盖云端管理全生命周期

Zilliz Cloud Skill 的 references/ 目录比 Milvus Skill 多了一倍，有 14 个文件：

从创建集群到配置备份策略，从导入数据到查账单，14 个模块基本覆盖了 Zilliz Cloud 控制台上的所有操作。

有个细节值得注意：database.md 和 user-role.md 明确标注了"仅 Dedicated 集群"。这意味着 Skill 对三种集群类型的能力差异有清晰的认知——Free 集群能做什么、Serverless 能做什么、Dedicated 能做什么，AI Agent 不会在不支持的集群类型上尝试不可用的操作。

安全设计：三条规则

Zilliz Cloud Skill 的安全设计比 Milvus Skill 多了好几层。翻 SKILL.md 可以看到三条核心规则：

1. 确认破坏性操作 — 删除集群、清空集合这类操作，AI 必须先跟用户确认才能执行
2. 敏感命令在用户终端执行 — 涉及凭证、密码的操作直接走用户的终端环境，不经 AI 中转
3. 不暴露凭据 — AI 不会在日志或对话中输出 API Key 等敏感信息

这三条看起来简单，但实际影响很大。想象一下，如果你让 AI Agent "帮我清理一下测试环境的集群"，没有确认机制的话，它可能会把生产集群也删了。Skill 层面就把这种风险堵住了。

前置条件检查：三步流程

Skill 里还设计了一个前置条件检查流程：

1. 检查 zilliz-cli 是否安装 → 没装就先装
2. 检查用户是否登录 → 没登录就引导认证
3. 检查集群上下文是否设置 → 没设置就选择集群

这三步确保 AI Agent 在执行任何操作之前，环境是就绪的。比直接让 AI 去跑命令然后遇到报错再排查，要靠谱得多。

4. 为什么是 Skill 而不是 MCP？

说到这里，一个关键问题自然浮现：Zilliz 已经有 mcp-server-milvus（224 Star），为什么还要做 Skill？

Skill vs MCP 对比图：两种 AI Agent 集成范式

图 5：Skill vs MCP——知识注入与工具调用两种范式的本质差异与互补关系

Skill 的本质：Prompt 加载器

Skill 的技术架构比很多人想象的要简单。一个 Skill 的最小结构就是一个文件夹加一个 SKILL.md 文件：

my-skill/
├── SKILL.md          # 指令 + 元数据
├── references/       # 参考文档（可选）
├── scripts/          # 可执行脚本（可选）
└── assets/           # 模板/资源（可选）

SKILL.md 的内容本质上就是一份说明书——告诉 AI Agent 遇到什么任务应该怎么做。它不包含任何可执行代码，只是把知识注入到 AI 的上下文里。

换句话说，Skill 的本质是 Prompt 加载器。它把领域知识打包成结构化的 Prompt，在 AI 需要的时候动态加载。

MCP 的本质：工具协议

MCP（Model Context Protocol）走的是完全不同的路线。它是一个标准化的通信协议，让 AI Agent 能通过统一的接口调用外部工具。mcp-server-milvus 就是一个 MCP 服务器，提供 milvus_text_search、milvus_create_collection 等工具接口。

有人把 MCP 比作"AI Agent 的 USB-C 接口"——它解决的是工具接入的标准化问题。

两者的关系：互补而非替代

关键区别在这里：Milvus Skill 教 AI 用 pymilvus SDK 写代码，pymilvus 本身已经存在了，Skill 只是让 AI 知道怎么正确使用它。MCP 则是提供一个新的调用通道。

打个比方：Skill 是给你一本操作手册，你自己去操作机器；MCP 是给你一个遥控器，你按按钮机器就动了。两者解决的问题不一样。

Zilliz 同时做了 MCP Server 和两个 Skill，说明它判断这两种范式各有适用场景——MCP 适合标准化的工具调用，Skill 适合复杂的操作逻辑和知识传递。

不过话说回来，Skill 生态目前的增长速度确实很猛。调研数据显示，全球 Agent Skill 生态已经达到 70 万+ 技能包的规模，ClawHub 官方市场有 5,700+ 技能，GitHub 上 2026 年 4 月一个技能包项目 5 天就拿了 6,600 Star。这个增长势头说明开发社区对 Skill 范式的接受度相当高。

你更看好 Skill 还是 MCP？欢迎在评论区聊聊你的看法。

5. 实战场景：开发者具体怎么用

场景一：搭建 RAG 应用

假设你要用 Claude Code 搭一个 RAG（检索增强生成）应用。装上 Milvus Skill 之后，你可以直接对 AI Agent 说：

帮我创建一个文档检索集合，768 维向量，支持 BM25 全文搜索，字段包括 title、content 和 embedding

AI Agent 会读取 collection.md 和 patterns.md，生成类似这样的代码：

from pymilvus import MilvusClient, DataType, Function, FunctionType

client = MilvusClient("http://localhost:19530")

schema = client.create_schema()
schema.add_field("id", DataType.INT64, is_primary=True, auto_id=True)
schema.add_field("title", DataType.VARCHAR, max_length=256)
schema.add_field("content", DataType.VARCHAR, max_length=65535)
schema.add_field("embedding", DataType.FLOAT_VECTOR, dim=768)
schema.add_field("text_sparse", DataType.SPARSE_FLOAT_VECTOR)

# 配置 BM25 全文搜索
bm25_function = Function(
    name="text_bm25",
    input_field_names=["content"],
    output_field_names=["text_sparse"],
    function_type=FunctionType.BM25,
)
schema.add_function(bm25_function)

client.create_collection("documents", schema=schema)

不需要你自己翻文档去查 BM25 Function 怎么配置，Skill 里已经把这些细节写好了。

场景二：管理 Zilliz Cloud 集群

如果你用的是 Zilliz Cloud 托管服务，Zilliz Cloud Skill 能帮你做很多运维操作：

帮我在 us-east-1 创建一个 Serverless 集群，然后创建一个带 768 维向量的集合

AI Agent 会先检查环境，然后按顺序执行 CLI 命令。或者：

查看一下我所有集群的状态和资源使用情况

AI Agent 会执行 zilliz cluster list 和 zilliz monitoring 系列命令，把结果整理好给你看。

场景三：数据迁移和备份

给生产集群配一个每天自动备份的策略，保留 7 天

Zilliz Cloud Skill 的 backup.md 里有完整的备份策略配置说明，AI Agent 能直接帮你设置。

把测试集群的 orders 集合数据导出到 S3

import.md 覆盖了从云存储导入导出的操作流程，包括支持的文件格式（Parquet、JSON、CSV）。

场景四：混合搜索优化

patterns.md 里有一个混合搜索模式，结合 dense 向量和 sparse 向量做 RRF 重排。如果你的搜索效果不理想，可以让 AI Agent 帮你升级到混合搜索方案：

把我的搜索升级成 dense + sparse 混合搜索，用 RRF 重排

AI Agent 会参考 vector.md 中关于 AnnSearchRequest 和 RRFRanker 的说明，帮你写出混合搜索的代码。整个过程你不需要自己研究 RRF 算法的参数，Skill 里已经有了。

6. 生态定位：不只是两个 Skill

Zilliz AI Agent 工具链全景

图 6：Zilliz AI Agent 工具链全景——覆盖 MCP、Skill、Plugin 三种集成范式

Zilliz 围绕 AI Agent 生态的布局，远不止这两个 Skill。从调研来看，他们构建了一条完整的工具链：

其中 claude-context 是这个工具链里的明星项目，5,900 Star，主打把整个代码库作为 AI 的上下文。它通过 BM25 + dense vector 混合搜索，将代码存储在向量数据库里，按需检索，官方数据显示能减少约 40% 的 token 消耗。

Zilliz CEO 星爵在 2025 年做过一个判断：传统 RAG 已死。他的核心观点是，随着推理模型的进步，人们对知识搜寻不再满足于一次性检索，而是希望对问题进行拆解、多轮精细搜寻。这个方向在他们的 DeepSearcher 项目里有所体现，一个月左右就在 GitHub 拿到了约 5,000 Star。

从 MCP Server 到 Skill，从代码搜索到长期记忆，Zilliz 的策略很清晰：不管 AI Agent 生态最终采用哪种范式（MCP、Skill、Plugin），向量数据库都要有对应的接入方案。这两个 Skill 本质上是 Skill 范式下的落子。

总结

翻完这两个 Skill 的完整源码，几个关键结论：

1. 分工明确 — Milvus Skill 管 SDK 层编码，Zilliz Cloud Skill 管 CLI 层运维，两者不重叠，合在一起覆盖向量数据库的完整生命周期
2. 模块化做得好 — 7 个和 14 个参考文件把知识域拆得很细，AI Agent 按需加载，不会浪费上下文空间
3. 安全意识到位 — Zilliz Cloud Skill 的破坏性操作确认、凭据保护、前置条件检查，说明团队认真考虑过 AI Agent 操作数据库的风险
4. 生态卡位准确 — Zilliz 同时布局 MCP 和 Skill 两种范式，不管 AI Agent 生态走向哪边都有覆盖

如果你正在用 AI Agent 做向量数据库相关的开发，这两个 Skill 值得装上试试。建议先收藏，下次搭 RAG 应用或者管理 Zilliz Cloud 集群的时候翻出来对照着用。

相关资源

Milvus Skill 源码：https://github.com/zilliztech/milvus-skill

Zilliz Cloud Skill 源码：https://github.com/zilliztech/zilliz-plugin

claude-context 项目：https://github.com/zilliztech/claude-context

mcp-server-milvus 项目：https://github.com/zilliztech/mcp-server-milvus

Milvus 官方文档：https://milvus.io/docs

Zilliz Cloud 官网：https://zilliz.com

好啦，谢谢你观看我的文章，如果喜欢可以点赞转发给需要的朋友，我们下一期再见！敬请期待！