Milvus向量搜索遇RPC错误：已导入嵌入数据仍无法执行相似搜索

核心问题定位 #

错误RPC error: [search], <ParamError: (code=1, message=search_data value)主要由两个原因导致：

• 搜索参数格式不符合Milvus要求
• 查询向量维度与集合中embedding字段维度不匹配

具体修复步骤 #

1. 修正搜索参数结构 #

你的search_param里存在两处错误：

• 误用了范围搜索参数radius和range_filter，普通K近邻搜索应该用nprobe
• output_fields包含了非集合字段similarities（该字段是搜索结果自动返回的，无需指定）

修改后的参数示例：

search_param = {
    "data": [vector],
    "consistency_level": "Session",
    "anns_field": "embedding",
    "param": {"metric_type": "COSINE", "params": {"nprobe": 10}},  # 替换为nprobe
    "limit": 15,
    "output_fields": ['text', 'n_tokens'],  # 移除similarities
}

2. 验证向量维度一致性 #

确保生成的查询向量维度和集合中embedding字段的维度完全一致：

# 打印查询向量维度
vector = embeddings.embed_query(query)
print(f"查询向量维度: {len(vector)}")

# 打印集合schema，查看embedding字段维度
print(collection.schema)

如果维度不匹配，需要调整Embedding模型的参数，或者重新创建Milvus集合匹配维度。

3. 确认索引已正确创建 #

集合的embedding字段必须创建对应索引，且索引的metric_type要和搜索参数一致：

# 示例：创建IVF_FLAT索引（适配COSINE相似度）
collection.create_index(
    field_name="embedding",
    index_params={"index_type": "IVF_FLAT", "metric_type": "COSINE", "params": {"nlist": 128}}
)
# 创建索引后重新加载集合
collection.load()

4. 完善结果处理逻辑 #

原代码未将搜索结果存入all_results，添加以下代码提取结果：

# 处理搜索结果
for hits in results:
    for hit in hits:
        all_results.append({
            "text": hit.entity.get('text'),
            "n_tokens": hit.entity.get('n_tokens'),
            "similarity": hit.score  # 这里获取相似度值
        })

内容的提问来源于stack exchange，提问作者PRIYANSHU AZAD