AI TOOL DATABASE v2

Milvus

dense・sparse・BM25・マルチベクトル検索を組み合わせ、大規模RAGやマルチモーダル検索を構築できる分散ベクトルデータベース。

AIネイティブ分類 AAPI・SDK公式サイト

選定サマリー

30秒で向き不向きを確認

AI位置づけ

AIネイティブ（AIそのものが中核のサービス）

向いている

大規模なRAG・ベクトル検索基盤を自社設計したい開発チーム

向いていない

数千件程度の小規模データで最小構成だけを求めるケース

料金

Milvus OSSは無料。マネージド運用が必要な場合はZilliz Cloudを利用でき、利用リソースに応じて課金されます。

最大の強み

Apache 2.0のOSSで大規模分散構成まで拡張できる

注意点

分散セルフホストでは運用・監視・容量設計の負担が大きい

THINKLAB判定

数百万〜大規模vectorを扱い、denseだけでなくBM25・sparse・multi-vectorまで検索品質を作り込みたいチームに有力なOSS基盤です。

概要

MilvusはZillizが中心となって開発するApache 2.0のオープンソースベクトルデータベースです。

高次元ベクトルのANN検索に加え、sparse vector、組み込みBM25全文検索、複数vector fieldを横断するHybrid Search、metadata filtering、rerankingを組み合わせられます。

概要の続きを読む

Standaloneや分散構成でセルフホストでき、ローカル開発向けMilvus Liteも提供されます。

インフラ運用を避けたい場合はZilliz Cloudというフルマネージド版を選択できます。

主な機能

分散ベクトル検索

大量のvectorデータを分散構成で保存・index・検索し、RAGや推薦、類似検索のretrieval layerとして利用できます。

Hybrid Retrieval

semantic dense searchとkeyword-awareなsparse/BM25 searchを組み合わせ、片方だけでは拾いにくい検索結果を補完できます。

豊富なindex

FLAT、IVF、HNSW、DiskANN系、sparse inverted index、GPU indexなど用途に応じたindexを選択できます。

Scalar filtering

vector similarityにmetadata条件を組み合わせ、tenant、カテゴリ、日時などで検索対象を絞り込めます。

複数deployment

Milvus Lite、Standalone、Distributed、Kubernetes等から規模に合わせて構成を選べます。

AI機能の詳細・制約はページ下部の「詳細情報」にまとめています

活用例

個人・一般

大規模RAG

文書embeddingとBM25を併用し、LLMへ渡す関連コンテキストを大規模コーパスから検索する。

マルチモーダル検索

テキスト・画像など複数vector fieldを検索して結果を統合する。

業務・組織

企業ナレッジ検索

社内文書をdense + BM25で検索し、固有名詞と意味類似性の双方を考慮したRAGを構築する。

大規模AI検索基盤

検索量やvector数の増加に合わせて分散構成へ拡張し、複数AIサービスのretrieval基盤として共有する。

料金

Milvus本体はApache 2.0で無料です。

サーバー・ストレージ・GPU等のインフラ費用は利用者負担。

Zilliz Cloudはフルマネージド版として利用量ベースで提供されます。

無料枠あり

Milvus OSS

無料

Apache 2.0。Lite、Standalone、Distributed等を自社環境へ導入。インフラ費用は別途必要。

Zilliz Cloud

利用量ベース

Milvusのフルマネージドサービス。最新の無料枠、CU、storage等の単価は公式Pricingで確認。

Enterprise

構成に応じる

大規模・専用構成・企業要件はZillizの最新契約条件を確認。

公式 Pricing ページを開く料金確認：2026年8月26日

強み・弱み

強み

Apache 2.0のOSSで大規模分散構成まで拡張できる
dense・sparse・BM25・multi-vector hybrid searchを統合
多数のANN indexとGPU indexを選択可能
RAG・推薦・マルチモーダル検索など幅広いretrieval用途に対応

弱み

分散セルフホストでは運用・監視・容量設計の負担が大きい
indexや検索パラメータの選択肢が多くチューニング知識が必要
小規模用途ではより軽量なvector storeの方が簡単な場合がある

比較・競合

迷うときの比較軸

vector規模
Hybrid Search
BM25
index種類
GPU
セルフホスト
運用負荷
Cloud選択肢

Milvus vs Pinecone

インフラ管理を最小化するフルマネージド中心ならPinecone、OSSと分散構成の自由度を重視するならMilvusを比較。

Milvus vs Weaviate

両者ともHybrid Searchに対応。Weaviateは検索・生成モデル統合を広く提供し、Milvusは大規模vector処理とindex/deploymentの選択肢が豊富です。

Milvus vs Qdrant

Qdrantはvector filteringと運用の扱いやすさ、Milvusは大規模分散・多様なindex・GPU構成を含む拡張性で比較されます。

THINKLABの結論

選定サマリーの判定を、選び方として整理したものです。

選ぶべき場合

RAGやAI検索を将来大規模化する前提で、index・GPU・分散構成・Hybrid Searchを自社要件に合わせて制御したい場合。

別製品を選ぶべき場合

小規模データを最短で扱いたいだけで、分散DBや検索チューニングの運用コストを持ちたくない場合。

確信度: high

詳細情報

導入判断の本線から外した補足です。必要な項目だけ開いてください。

AI機能の詳細

Dense / Sparse Vector Search

dense embeddingによる意味検索と、SPLADE/BGE-M3等のsparse embeddingによる語彙重視検索を同じデータベースで扱えます。

制約

検索品質と必要メモリはembedding、index、metric、top-k等の設計に依存します。

BM25 Full-Text Search

VARCHARフィールドをanalyzerで解析し、組み込みBM25 Functionがsparse vectorを生成してSPARSE_INVERTED_INDEXで全文検索します。

制約

日本語等ではtokenizer/analyzer設定が検索品質に大きく影響します。

Multi-Vector Hybrid Search

複数のANN検索を同時実行し、dense・sparse・画像など異なるvector fieldの結果をRRFやWeighted scoringで統合します。

制約

複数検索の重み付けとrerankingは評価データを使って調整する必要があります。

GPU Index

GPU_CAGRA、GPU_IVF系などのGPU indexを利用し、高スループット・高recallの検索ワークロードを高速化できます。

制約

GPU indexにはmetricやtop-k、機能上の制限があり、CPUより常に低遅延になるとは限りません。

向き不向き（一覧）

こんな人におすすめ

大規模なRAG・ベクトル検索基盤を自社設計したい開発チーム
denseとBM25/sparseを組み合わせて検索品質を調整したい組織
OSSセルフホストとマネージドCloudの選択肢を持ちたい企業