FAISS（Facebook AI Similarity Search）是Meta（原Facebook）开源的高效相似性搜索库，核心用于大规模高维向量（High-Dimensional Vectors）的快速检索与聚类，是嵌入（Embedding）落地场景中（如RAG、语义检索）的核心工具。以下分点梳理核心内容：
1. 核心定义与定位
- 定义：FAISS是基于C++编写、支持Python接口的库，专注解决"高维向量近邻搜索"问题------给定查询向量，快速从百万/亿级向量库中找到相似度最高的Top-K向量。
- 定位：区别于传统数据库的精准匹配，FAISS主打"近似最近邻搜索（Approximate Nearest Neighbor, ANN）"，在精度与检索速度间做平衡，适配大规模向量场景。
2. 核心特性
- 高维适配性：可高效处理数十到数千维的向量（如768维的BERT句子嵌入），解决高维空间"维度灾难"导致的检索效率暴跌问题。
- 性能优化：支持CPU/GPU加速，GPU版本可并行处理海量向量，单卡能实现亿级向量的毫秒级检索。
- 灵活的索引类型：提供多种索引（Index）结构，适配不同场景：
- IndexFlatL2：精准检索（无近似），适合小数据集，以L2距离（欧氏距离）计算相似度；
- IndexIVFFlat：基于倒排文件的近似检索，通过聚类分桶减少检索范围，平衡速度与精度；
- IndexIVFPQ：在IndexIVFFlat基础上加入乘积量化（Product Quantization, PQ），压缩向量体积，降低内存占用。
- 支持聚类：除检索外，还提供k-means等聚类算法，可对向量库做预聚类，辅助优化检索效率。
3. 核心应用场景
- 检索增强生成（Retrieval-Augmented Generation, RAG）：将知识库文本转为嵌入向量后存入FAISS，用户提问时生成向量并检索相似内容，为大模型提供参考。
- 语义检索：如文档相似度匹配、图片/音频检索（基于图像/音频嵌入）。
- 推荐系统：基于用户/物品的嵌入向量，快速检索相似用户或物品，实现个性化推荐。
4. 核心工作流程
- 向量预处理：将文本/图像等数据转为高维嵌入向量，统一向量维度与格式；
- 构建索引：选择适配的索引类型，将向量库导入FAISS并构建索引（预聚类、量化等）；
- 相似性检索：输入查询向量，FAISS通过索引快速定位近邻向量，返回Top-K结果及相似度得分；
- 结果后处理：将检索到的向量映射回原始数据（如文档、图片），输出最终结果。