FAISS

Meta FAIR 的相似性搜索与向量聚类库（C++/Python）：高效 ANN，不是带服务端与多租户的完整向量数据库。

它是做什么的

据官方文档（faiss.ai）：FAISS（Facebook AI Similarity Search）用于稠密向量的高效相似性搜索与聚类，可处理内存放不下的大规模向量集，并含评测与调参辅助。核心是在内存中为向量集建 index，再对查询向量做近邻搜索（如 L2 最小、最大内积等）；支持 Top-k、批查询、精度-速度权衡、范围检索、磁盘存放 index、二值向量、GPU 加速等。由 Meta 的 FAIR 团队主导开发，Python 完整封装，部分算法有 GPU 实现。

务必区分定位：FAISS 是库——你把它链进自己的进程/服务；它不提供开箱即用的 HTTP 向量库、过滤查询语言、多租户云控制台等「完整向量数据库」产品形态。RAG 系统里常见模式是：用 FAISS 做索引与检索内核，自己管存储、元数据与服务化；或改用 Chroma / Qdrant / Milvus 等带服务层的方案。

要点

• 开源库：算法与索引实现；Conda 安装 faiss-cpu / faiss-gpu（二者选一）。
• 部署形态：嵌入你的应用进程（库调用），不是独立「向量库服务」。
• 能力：IVF、PQ、HNSW 等多种索引；CPU/GPU；可权衡召回与速度/内存。
• 不做的事：完整 DB 语义（富过滤、复制、云 IAM 等）需自建或换产品。
• 典型场景：检索内核、论文/工业 ANN、自定义向量服务底层。

适合谁

• 要在自有服务里嵌入高性能 ANN，自己控制存储与 API
• 研究或定制索引参数，而不是先买托管向量库
• 原型可用更省事的 DB，但生产内核要极致可控时再下沉到 FAISS

官方入口

• 文档
• GitHub

建议怎么用

用 Conda 装 CPU 或 GPU 包，按官方教程建 Index*、add、search 跑通。先明确向量维度与度量（L2 / IP），再选 IVF/HNSW/PQ 等。若需要元数据过滤、云托管与运维面，优先 Chroma、Qdrant、Milvus，而不是把 FAISS 误当成完整向量库产品。