faiss

faiss向量检索库(并非向量数据库)轻量 # 对数据库 # 错，它不是一个完整的数据库(没有服务、没有事务、没有分布式)，只是一个向量检索库

8.【向量数据库深度对比】Milvus vs FAISS vs Pinecone（真实项目选型指南）刚做RAG时，我卡了2天：👉 “到底选哪个向量库？”👉 小规模（<10万数据）👉 中规模👉 商业产品

【Agent-阿程】AI先锋杯·14天征文挑战第14期-第6天-大模型RAG检索增强生成实战技术标签：人工智能、大模型、RAG、检索增强、LangChain、向量数据库、FAISS大模型训练数据存在时间截止点，无法获取训练后新增的知识，回答易出现过时、错误、幻觉。

第9节：FAISS，HNSW还是BM25？如何选择最适合业务的向量检索引擎？如何选择最适合业务的向量检索引擎RAG与Agent性能调优：第8节：打造可配置，可扩展的自动化预处理流水线Gitee地址：https://gitee.com/agiforgagaplus/OptiRAGAgent

进阶篇-LangChain篇-10--向量数据库选型指南：本地FAISS, Chroma与云原生方案作者：Weisian 发布时间：2026年3月直击痛点：“明明把文档都转成了向量，存哪儿？怎么查？本地FAISS跑得飞快，但重启后数据全没了；想用Chroma做持久化，过滤条件怎么写总报错；数据量大了之后，检索慢得像蜗牛——向量数据库到底怎么选、怎么用？”

在复现overlaptranformer论文中，进行库faiss安装的，解决方案。1.我的python版本为3.9.16，numpy版本为1.24.2时：它默认安装版本是faiss的版本为1.13.0，会默认自动安装numpy的版本为2.0.x版本。但是我环境其他库要求numpy版本要低于这个2.0.x版本。但是又得大于1.20.3版本。所以根据该仓库提供的requirements.txt版本型号安装。也是不行。

如何使用向量库faiss和LLM判断问题是否被记录在实际去重应用场景中，我们可能经常需要判断某个问题检查是否被记录。问题库规模可能很大，比如几千条记录，直接人工判断不太现实。

Faiss：大规模向量相似度检索在计算机视觉、自然语言处理、推荐系统等领域的工程实践中，“从百万/亿级向量中快速找出最相似的TopK个” 是一个极其常见的需求。比如：

在RAG系统中对FAISS，HNSW，BM25向量检索引擎选型的问题在 RAG（Retrieval-Augmented Generation，检索增强生成）系统中，有一个核心问题贯穿始终如何在毫秒级延迟内，精准召回最有助于大模型回答问题的 top-k 文本片段？这很大程度上取决于你选择了什么样的检索引擎。目前主流的三种方案——BM25、FAISS、HNSW——各有千秋，但在实际选型中，很多团队存在以下误区：

Day24：向量数据库 Chroma_FAISS 入门上期咱们搞定了 Embedding 向量化，把文字变成了机器能懂的数字向量。但很多同学把向量生成后就 “乱扔”，导致检索慢、找不到、甚至丢失！今天咱们就给向量找个 “智能豪宅”—— 向量数据库！Chroma 新手友好，FAISS 性能炸裂，保姆级教程 + 完整代码，看完直接写进简历！

Day24（进阶篇）：向量数据库 Chroma_FAISS 深度攻坚 —— 索引优化、性能调优与生产级落地Day24 基础版我们完成了向量数据库的入门落地，但基础版在生产环境中漏洞百出：Chroma 检索延迟高、FAISS 索引易丢失、百万级向量库性能雪崩、持久化机制不完善… 这些才是资深玩家要解决的核心问题。

爱打代码的小林

基于 LangChain + 通义千问 + FAISS 构建 RAG 问答系统Retrieval-Augmented Generation（检索增强生成，简称 RAG）是当前大模型应用开发的核心技术范式，它解决了大模型 “知识过时”“幻觉严重”“无法处理私有数据” 三大核心问题。其核心逻辑是：先从私有知识库（如 PDF 文档）中检索与用户问题相关的信息，再将这些信息作为上下文传给大模型，让模型基于检索到的精准信息生成回答。

麦麦大数据

M004_基于Langchain+RAG的银行智能客服系统设计与开发欢迎关注B站：麦麦大数据 https://space.bilibili.com/1583208775随着金融科技的快速发展，银行客户服务面临着前所未有的挑战。传统的人工客服存在响应慢、成本高、服务时间受限等问题。为了提升客户服务体验，本文将介绍一款基于**LangChain + RAG（检索增强生成）**技术构建的银行智能客服系统。

三相开绕组永磁同步电机的容错控制三相开绕组永磁同步电机容错控制。最近在搞三相开绕组永磁同步电机项目，发现这货虽然性能强悍，但绕组开路时真能让人抓狂。传统控制策略一旦遇到绕组故障，整个系统直接躺平给你看。今天就聊聊怎么让电机在断线、短路等突发状况下还能接着干活。

单相逆变器的控制方案直接决定了系统在并网/离网模式下的动态响应。咱们今天拆解几个硬核玩法，从调制到控制层层递进，手把手看明白这背后的门道1，单相逆变器的并网和离网的控制方案，其中包括两种调制方案，3种控制方案。具体波形见下图。先说调制方案，SPWM（正弦脉宽调制）和SVPWM（空间矢量调制）是两种常用武器。SPWM的思路很直白——拿正弦波和三角载波比大小，这个在单片机里几行代码就能实现：

从零实现一个生产级 RAG 语义搜索系统：C++ + ONNX + FAISS 实战既然是“从零实现”，本文暂不深入探讨繁复的理论背景，而是先聚焦一个核心问题：语义化搜索中的“语义化”到底是什么意思？

dblens 数据库管理和开发工具

开源向量数据库比较：Chroma, Milvus, Faiss,Weaviate下面是 Chroma、Milvus、Faiss、Weaviate 四个开源向量数据库/库的对比，总结了它们的核心特性、性能侧重点、适用场景和差异，帮助你在选型时做出更合适的决策：

wanping15825992341

AI Agent(学习六-FAISS 持久化到磁盘（重启不丢记忆）)由于前段时间出差了半个月，今天才有空接着学，前面几篇我们已经具备的知识：目前的用例已经可以记住上下文的记忆，但是目前程序重启后会导致上一次的的记忆消失，所以，为了实现重启不丢长期记忆，需要将长期记忆存储到磁盘上，每次重启的时候从磁盘将数据加载到程序中

用 FAISS 搭个轻量 RAG 问答（Python）做技术文档问答、项目知识库检索时，最常见的“看似能用，实际不好用”的情况是：RAG 的思路很朴素：先检索出与问题最相关的文档片段，再让模型“只基于这些片段”回答。这样既能控幻觉，也能把成本集中在“必要的上下文”上。

程序猿炎义

【Easy-VectorDB】Faiss性能调优与评估没有评估的调优就是盲目试错Faiss的调优本质都是“准确率损失”与“效率提升”的权衡Auto-Tune（自动参数调优）：Faiss提供的工具链，旨在自动找到满足检索精度（Recall)约束的最优参数配置，平衡精度与检索速度（QPS/Latency)