在Python环境中使用pymilvus库可以方便地操作Milvus向量数据库。下面是一个基本的例子，演示了如何创建集合，插入数据和执行搜索。

首先，确保你已经安装了pymilvus库：

pip3 install pymilvus  

然后，连接到运行的Milvus服务，并进行操作：

from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection  
# 连接到Milvus服务  
connections.connect("default", host="localhost", port="19530")  
# 定义字段和集合模式  
dim = 128  
fields = [  
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),  
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=dim)  
]  
schema = CollectionSchema(fields=fields, description="test collection")  
# 创建向量数据库  
collection = Collection(name="my_collection", schema=schema)  
# 插入一些向量数据  
import numpy as np  
vectors = np.random.rand(100, dim).tolist()  
ids = [i for i in range(len(vectors))]  
mr = collection.insert([ids, vectors])  
# 执行查询  
topK = 10  
query_embedding = vectors[0]  
res = collection.search(query_embedding, "embedding", param={'nprobe': 10}, limit=topK)  

这个代码片段首先连接到运行在本地的Milvus服务，然后创建一个新的集合并插入一些随机生成的向量数据。之后，它将执行一个查询，返回查询向量的最近邻。

请注意，这只是一个非常基本的例子。Milvus提供了许多其他功能，包括分区、索引管理、数据管理和高级搜索等。具体信息可以参考pymilvus的官方文档。