2026年7月29日，LF AI & Data旗下的开源向量数据库项目Milvus发布3.0版本，被官方定位为项目历史上最大的一次架构更新。核心变化在于引入Lake-Native存储与检索能力，让向量数据库不再只是独立的"第二份向量副本"，而是与数据湖直接打通，正式拼合出"Vector Lakebase"架构。
Lake-Native检索：直连对象存储
Milvus 3.0最核心的能力是Lake-Native化检索：它能够直接索引Parquet、Lance、Iceberg、Vortex等开放表格格式的向量数据，从对象存储中按需读取，无需再维护一份独立的向量数据库副本。这意味着数据团队的批处理、特征管道与向量检索可以共享同一份湖上数据，显著降低存储冗余与同步成本。
更强大的检索引擎
除存储层外，Milvus 3.0对检索引擎进行了大量扩展，支持ORDER BY排序、聚合、分面搜索（faceted search）、StructArray、ColBERT向量以及重设计的稀疏索引。原本需要放在应用代码中的排序、分组与精排逻辑被下沉到检索引擎内部，为多向量排序、结果分组等复杂检索提供原生支持。存储方面，Loon（Storage v3）用于降低在线服务访问对象存储时的点读放大问题。
离线与在线工作流的打通
新版本还通过快照、Spark DataSource V2与在线Schema演进能力，让离线批处理（评估、去重、聚类、特征管道）与在线向量检索工作流能够共享同一套基础设施。开放数据表格式的引入，也便于向量库与数据湖/数据仓库体系在同一治理框架下协作。这一方向与业界探索的"版本化知识库"（如将版本、状态、变更记录纳入检索的LiveVectorLake思路）形成互补，共同描绘了向量检索走向湖原生、版本化的演进路径。
落地建议
对于已在建设Lakehouse或统一数据平台的团队，Milvus 3.0的Lake-Native能力提供了一条"以数据湖为单一真实来源、按需向量检索"的整合路径，可显著降低向量库与数据湖之间的数据复制成本。建议在选型时重点评估检索引擎增强能力、开放格式支持深度以及与现有Spark/数据管线生态的衔接，让向量检索真正成为数据基础设施的一部分而非孤岛。