在使用 Zilliz Cloud 或开源 Milvus 时，你是否常常陷入这样的困境？
想在终端快速查看集群状态或做个备份，却不得不反复翻找控制台界面，操作路径冗长。想让大语言模型帮你生成操作代码，结果它“幻觉”出根本不存在的 API，写出的代码完全无法运行。想把向量数据库能力集成到你的 AI Agent 中，自己动手写 Skill（技能）？写得简略了，工具调用频频出错；想写得详细，光啃官方文档就要耗费大量时间。
这些问题的根源，在于向量数据库功能强大，但从想法到具体操作之间存在着一道过深的鸿沟。
现在，Zilliz 正式推出了两款官方 Agent Skill 和一个命令行工具：Milvus Skill、Zilliz Cloud Skill 以及 Zilliz CLI。它们的目标就是将这条鸿沟填平，让你只需用自然语言描述需求，就能获得精准、可执行的代码或命令。
开发者与运维人员可以通过自然语言指令，驱动 Claude Code、Cursor 等主流 AI 编程助手，生成准确的代码或执行云端管理任务，无需再记忆复杂的 API 参数或 CLI 命令语法。
Milvus Skill：用一句话生成全功能 pymilvus 代码
这款 Skill 让 AI Agent 深度掌握 pymilvus SDK，覆盖 Milvus 向量数据库从连接到查询的完整操作链路。你不再需要手动编写复杂代码或查阅海量文档。
能力测试示例一：创建集合并插入数据
过去，你需要编写如下代码：
from pymilvus import MilvusClient, DataType
client = MilvusClient(uri="./milvus.db")
schema = client.create_schema(auto_id=True, enable_dynamic_field=True)
schema.add_field("id", DataType.INT64, is_primary=True)
schema.add_field("text", DataType.VARCHAR, max_length=2048)
schema.add_field("embedding", DataType.FLOAT_VECTOR, dim=768)
index_params = client.prepare_index_params()
index_params.add_index(field_name="embedding", index_type="AUTOINDEX", metric_type="COSINE")
client.create_collection(collection_name="articles", schema=schema, index_params=index_params)
而现在，你只需要对 AI Agent 说：
“Create a Milvus Lite collection called ‘articles’ with 768-dim vectors and a text field, then insert 5 sample documents about AI technology”
Agent 会自动生成并执行完整的代码，最终成功创建集合并列出详细信息：
能力测试示例二：执行混合搜索
过去，你需要手动拼装 AnnSearchRequest，配置 RRFRanker，参数稍有错误就可能返回空结果。
现在，只需一句话：
“Create a collection with both dense vectors (768-dim) and sparse vectors, insert 5 sample documents, then perform a hybrid search with RRF reranking”
可以看到，从连接数据库、定义 Schema、创建索引到插入数据，全部由一句自然语言指令驱动完成。你还可以继续用自然语言进行搜索、查询、索引调优等操作，Agent 会始终生成正确的 pymilvus 代码。
完整能力一览
下表展示了 Milvus Skill 覆盖的核心能力：
Zilliz Cloud Skill：用自然语言驱动云端全生命周期运维
如果说 Milvus Skill 解决了写代码难的问题，那么 Zilliz Cloud Skill 则致力于解决管理云端集群繁琐的痛点。这款 Skill 让 AI Agent 精通 Zilliz Cloud 的运维操作，从集群管理到安全管控，均可通过一句话指令完成。
效果展示案例
-
查看资源概览
- 过去：打开控制台 → 切换项目 → 找到集群 → 点进 Collection 列表 → 逐个查看状态。
- 现在：只需说
“Show me the current Zilliz Cloud context and cluster status”。
Agent 立即返回集群全貌，包括状态、规格、数据库、Collection 数据量等信息：
-
执行向量查询
- 过去：打开控制台 → 找到目标 Collection → 手动构造查询向量 → 设置搜索参数 → 提交。
- 现在：只需说
“Search ‘byoc_whitepaper’ for documents about ‘What are the security benefits of BYOC architecture?’, return top 3 results with text and page number”。
Agent 会自动完成文本转向量、发起搜索、格式化返回结果的全流程：
-
创建集合
同样只需一句话：“Create a collection called ‘test_products’ with id, name (varchar 256), price (float), and embedding (768-dim) fields”
除了上述示例，该 Skill 还能处理数据备份、批量导入、安全管理和运维监控等任务。你无需记忆任何 CLI 参数，只需用自然语言描述运维需求，Agent 会自动转化为正确的命令并执行。
完整能力一览
Skill 的安装与使用：一键上手，多平台适配
为了让所有开发者都能快速使用，Zilliz 已将这两款 Skill 上架至多个主流技能平台，支持一键安装。
立即安装
# 安装 milvus skill（用于 pymilvus 开发）
npx skills add zilliztech/milvus-skill
# 安装 zilliz-cloud skill（用于云端管理）
npx skills add zilliztech/zilliz-skill
GitHub 仓库
多平台适配
-
ClawHub：OpenClaw 官方推出的公共 Skills 注册中心，直接搜索 “milvus skill” 或 “zilliz skill” 即可找到。
-
Agentskill：一个面向多种 AI 编程工具的第三方 Skill 聚合目录，收录了 Claude Code、Cursor、Copilot 等 20+ 工具的数十万技能包。访问 https://agentskill.sh/ 直接搜索即可。
Zilliz CLI：终端一站式掌控 Zilliz Cloud
如果不习惯使用 AI Agent，Zilliz 也提供了功能完整的命令行工具 Zilliz CLI。控制台能做的操作，在终端里都能完成。
跨平台一键安装
# macOS / Linux
curl -fsSL https://raw.githubusercontent.com/zilliztech/zilliz-cli/master/install.sh | bash
# Windows (PowerShell)
irm https://raw.githubusercontent.com/zilliztech/zilliz-cli/master/install.ps1 | iex
核心操作示例
# 创建无服务器集群
zilliz cluster create --name staging --tier serverless --region us-east-1
# 向量检索
zilliz vector search --collection products --data "[0.1, 0.2, ...]" --limit 5
# 创建每日备份
zilliz backup create --cluster staging --name nightly-backup
为自动化而生的企业级特性
完整官方文档请参考：https://docs.zilliz.com/reference/cli/overview
工具组合与官方资源
在实际开发中，开发者通常会组合使用这些工具：用 CLI 处理终端与自动化任务，用 Zilliz Cloud Skill 进行自然的云端交互，用 Milvus Skill 辅助开源版 Milvus 的应用开发。
除了工具本身，Zilliz 还提供了官方精选的 Prompt 库，适配所有主流 AI 编程助手，确保向量数据库操作的标准、高效与零错误：
这次发布的工具集，显著降低了 AI Agent 与 向量数据库 的开发与运维门槛。无论是快速原型验证还是企业级生产部署，都能从中获得效率提升。对这类 智能与数据 结合的前沿工具感兴趣的朋友，可以持续关注 云栈社区 的后续技术分享。
发表于 2 小时前
|
查看: 3|
回复: 0
