faiss

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)

Java后端的Ai之路

【AI大模型开发】-创建RAG问答实战（LangChain+DeepSeek+Faiss）ChatPDF-Faiss 是一个基于 FAISS 向量数据库的 PDF 文档智能问答系统，能够从 PDF 文档中提取信息并回答用户的问题。该系统利用了阿里云 DashScope API 提供的文本嵌入和大语言模型能力，实现了对 PDF 文档的高效检索和智能问答。

程序猿炎义

【Easy-VectorDB】Faiss数据结构与索引类型实战：SIFT10k数据集精确检索对比总结：选择距离度量中，要选择合适的”度量方式“，才能得到合适的检索结果。

北京地铁1号线

2.2 向量数据库目录第一部分：向量数据库核心概念1. 什么是向量数据库？2. 为什么需要专门的向量数据库？第二部分：核心工具详解

一只小菜鸡

使用向量数据库 Faiss +bge-small-zh-v1.5实现简单的相似度搜索功能Faiss：用来将结构化数据转换成向量存储在向量数据库中，之后进行检索等操作通过FAISS检索出Top-K结果需要 5个步骤

Java后端的Ai之路

【AI大模型开发】-基于FAISS的语义搜索系统（实战）向量数据库是一种专门用于存储、索引和检索高维向量数据的数据库系统。在AI领域，向量通常是指通过预训练模型（如Transformer）将文本、图像等非结构化数据转换而成的数值表示（Embedding）。

程序猿炎义

【Easy-VectorDB】Faiss入门与环境搭建笔记https://modelscope.cn/my/mynotebook验证安装验证安装的代码部分精准检索

锁我喉是吧

Android studio 编译faiss打开Android studio，File>Settings>Languages & Frameworks > Android SDK > SDK Tools就会出现下面这个界面，然后安装NDK和CMake；记住这里的路径，下面所有使用cmake、ninja、ndk的地方，都使用下面路径

【向量数据库】Milvus 向量数据库 ④ 向量索引的存储结构与查询执行模型：从 Faiss 到 Knowhere 的源码解剖为什么需要读这篇？前两篇讲“是什么”（概念）和“怎么做”（工程），这篇讲“为什么这样存”——像拆开快递盒看里面装的什么。

菜鸟冲锋号

从零搭建高可用GraphRAG系统：LangChain+Neo4j+FAISS+Qwen-7B实战指南在大模型应用落地过程中，RAG（检索增强生成）技术凭借其精准的知识对齐能力成为刚需，而GraphRAG作为RAG的进阶形态，通过知识图谱引入结构化知识，进一步提升了回答的准确性与可解释性。本文将详细记录我从零搭建GraphRAG系统的完整历程，重点解决Docker依赖、API不稳定、向量数据库选型等核心痛点，最终实现一套高可用、零成本、本地可运行的企业级方案。

薛定谔的猫1982

RAG(三)文档的加载基于 LangChain+FAISS 构建本地文档向量检索系统在日常工作中，我们常常需要从大量本地文档（如 TXT、MD、PDF）中快速找到与问题相关的内容，传统的 “关键词搜索” 容易遗漏语义相关的信息，而基于向量检索的方式能实现语义级别的精准匹配。

【HuggingFace LLM】FAISS语义搜索在datasets.load_dataset中，直接输入账户/数据集名称即可加载数据集。当在样本中存在不对照关系时，例如

Java调用Python实现FAISS向量操作（两种方式完整实战）由于FAISS尚未提供Java客户端版本，我们采用Python作为中间层来实现功能。本文围绕“Java业务端调用Python实现FAISS向量存储核心功能（添加、检索、清空）”展开，提供HTTP接口调用（推荐）和本地进程调用两种实现方案，包含完整代码、部署步骤和联调验证，方便开发者根据场景选择。