需将Dify知识库的Elasticsearch数据完整迁至Milvus，确保向量维度、字段映射、元数据（含JSON支持）及检索一致性；须校验ES schema与Milvus collection严格匹配，优先使用milvus-migration导出Parquet，迁移后通过Attu和Dify UI双重验证。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
将Dify知识库中已有的Elasticsearch数据完整、准确地迁移到Milvus，避免检索失效或元数据丢失，需同时处理向量数据、原始文档内容与字段映射关系。
确认ES源数据结构与Milvus目标Schema匹配
进入Dify部署目录下的dify/api/core/model/knowledge_base.py，查看当前知识库使用的Embedding模型名称（如text-embedding-v3-small）和向量维度（如768），该值必须与后续Milvus collection的dim参数严格一致。
执行curl -XGET "http://localhost:9200/dify_knowledge/_mapping?pretty"，提取ES中content、metadata、vector字段类型。若vector为dense_vector且dims=768，可直接对应；若为binary编码或未显式声明维度，则【必须先在ES中重建索引并重写向量字段】，否则Milvus bulkInsert会因维度不匹配拒绝导入。
新建Milvus collection时，用FieldType.FLOAT_VECTOR定义向量字段，FieldType.VARCHAR定义doc_id和source，FieldType.JSON存储完整metadata——注意Milvus 2.4+才原生支持JSON类型，旧版本需拆分为多个VARCHAR字段。
导出ES数据为Milvus兼容的Parquet格式
方法一：使用官方milvus-migration工具（推荐）
下载最新版milvus-migration二进制文件：wget https://github.com/milvus-io/milvus-migration/releases/download/v0.15.0/milvus-migration_0.15.0_linux_amd64.tar.gz，解压后执行：
./milvus-migration dump --source-type elasticsearch --source-uri http://localhost:9200 --index-name dify_knowledge --output-dir ./es_dump --output-format parquet
该命令会自动提取_source全部字段，并将vector数组转为float32列；若ES中向量存于metadata.embedding嵌套路径，需加--vector-field metadata.embedding参数指定。
方法二：手动导出JSONL再转换（适用于调试）
用elasticdump导出原始文档：elasticdump --input=http://localhost:9200/dify_knowledge --output=./dify_es.json --type=data，再用Python脚本解析JSONL，将vector转为numpy array并保存为parquet——这一步容易因浮点精度丢失导致Milvus检索结果偏移，【务必验证前10条向量的L2距离误差≤1e-5】。
在Milvus中创建collection并加载数据
第一步：连接Milvus并建库
运行python3 -c "from pymilvus import connections, utility; connections.connect(host='localhost', port='19530'); utility.create_database('dify_db')"，确保数据库存在。
第二步：定义collection schema
执行以下代码（替换YOUR_DIM为实际维度）：
from pymilvus import Collection, FieldSchema, DataType, CollectionSchema<br>fields = [<br> FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),<br> FieldSchema(name="doc_id", dtype=DataType.VARCHAR, max_length=256),<br> FieldSchema(name="content", dtype=DataType.VARCHAR, max_length=65535),<br> FieldSchema(name="metadata", dtype=DataType.JSON),<br> FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=YOUR_DIM)<br>]<br>schema = CollectionSchema(fields, description="Dify knowledge base")<br>collection = Collection("dify_kb", schema, db_name="dify_db")
第三步：创建索引并加载
collection.create_index("embedding", {"index_type": "IVF_FLAT", "metric_type": "L2", "params": {"nlist": 100}})<br>collection.load()
注意：若ES原数据含时间戳等标量过滤字段，应在schema中一并声明，否则后续混合检索无法生效。
配置Dify指向Milvus并触发迁移命令
编辑dify/docker/.env文件，修改三处关键配置：
VECTOR_STORE=milvus<br>MILVUS_URI=http://milvus-standalone:19530<br>MILVUS_DATABASE=dify_db
若Milvus启用了认证，还需添加MILVUS_USER=root和MILVUS_PASSWORD=xxx；【MILVUS_URI不可填localhost，Docker容器内localhost指向自身而非宿主机】。
重启Dify服务：cd dify/docker && docker-compose down && docker-compose up -d。
等待API容器就绪后，执行迁移命令：docker exec -it dify-api-1 flask vdb-migrate --from es --to milvus --es-host http://host.docker.internal:9200 --es-index dify_knowledge。
该命令会扫描ES中每条文档，调用Dify内置Embedding模型重新生成向量并写入Milvus——若你已用milvus-migration预导入数据，此处应加--skip-vector-generation参数，否则造成重复计算和向量不一致。
验证迁移结果与检索一致性
打开Attu界面（默认http://localhost:9092），选择dify_db数据库→dify_kb集合，点击“Search”标签页，在Query Vector框中粘贴一条ES中已知文档的原始向量（十六进制或JSON数组格式），设置limit=5执行搜索。
对比返回结果的doc_id与ES中_id是否完全一致；若出现ID错位，说明dump阶段未正确映射_id到doc_id字段，需回到第二步重新导出并指定--id-field _id。
在Dify Web UI中新建一个测试知识库，上传同一份PDF，观察其切片后的向量是否能被Milvus正确召回——若新文档可检出而旧数据无响应，证明迁移未覆盖全量，需检查vdb-migrate日志中是否有skipped 123 documents due to missing vector类报错。
