faiss

本地 RAG 问答系统实战：FAISS 检索 + DeepSeek 生成在前两篇文章中，我们分别实现了 PDF → 向量索引的构建和仅检索的语义搜索。本文更进一步，将 FAISS 向量检索与 DeepSeek 大模型生成结合，搭建一个完整的本地 RAG（检索增强生成）问答系统。用户输入问题后，系统先从索引中检索相关文档片段，再将片段作为上下文连同问题一起提交给 DeepSeek 模型，生成高质量、可溯源的答案。代码完全独立，可直接运行。

gRPC结合FAISS构建AI助手语义缓存模块（一）：设计原AI聊天助手项目中，每次提问（Prompt）都需要调用公有LLM API来获取大模型的回答（Answer），然而，有些时候用户会向聊天助手询问同样的问题，我们将KV存储集成到聊天助手当中，初步实现了一个Prompt对应一个Answer的缓存功能。

7.faiss-cpu向量库安装faiss 是Facebook AI 团队开源的、专门用于向量相似度检索的高性能向量数据库，你可以把它理解成「RAG 系统的智能向量储物柜 + 超快检索引擎」。

深入理解 RAG 技术：从语义张量到向量数据库，Milvus 与 FAISS 全面对比🍊一篇面向工程师的技术深度文章，带你从原理到实践，彻底搞懂检索增强生成（RAG）的技术栈。大语言模型（LLM）虽然强大，但存在三个核心短板：

Vector Store：FAISS、Chroma、Milvus、Qdrant、ES 怎么选？普通数据库更擅长精确匹配。你查订单号，它能准。你查用户 ID，它也能准。但 RAG 场景不是这么问的。用户不会说“我要第 32 页第 5 段”。用户只会问：“合同里违约责任怎么写？”、“三安光电这份公告到底利好还是利空？”、“提前还款怎么操作？”

程序员佳佳

四个月长期实测：自建 Milvus、FAISS、原生向量 API 和向量引擎中转方案，到底怎么选？如果你正在做 RAG 知识库、文档检索、智能客服，或者只是想把一套“能搜到、搜得准、搜得稳”的向量检索能力接到自己的产品里，最后一定会碰到同一个问题：到底是自己搭向量数据库，还是直接接向量 API，还是走一个更省心的向量引擎中转方案。

从 PDF 到 FAISS 向量索引：构建本地 RAG 数据预处理流水线在搭建本地 RAG（检索增强生成）系统时，第一步往往是将 PDF 文档转换为可检索的向量索引。然而，PDF 文件既有可直接提取文本的电子文档，也有扫描图片型的文档。本文基于 Python 实现了一套完整的流水线：自动判断文档类型，必要时调用 OCR，然后进行文本分块、向量化（使用中文嵌入模型）并构建 FAISS 索引。代码完全开源，可直接用于本地知识库的预处理。

关于下载pip install faiss-cpu失败的问题1、下载pip install faiss-cpu失败截图如下：2、使用国内镜像后，下载成功。执行的命令如下：

程序员佳佳

我在 Windows 和低配 Linux 上做 RAG：Milvus、FAISS、向量 API 中转的中立实测这篇文章只讲我在实际项目里反复踩坑之后得到的结论，不讲包装，也不把某个工具说成“万能答案”。如果你正在做 AI 应用开发，尤其是在做 RAG，而且手里的资源并不宽裕，那么 Milvus、FAISS、向量 API 中转这三类方案到底适合什么场景，哪些地方是真正的工程价值，哪些地方只是看起来很热闹，这篇文章可以给你一个比较接地气的参考。

FAISS 详解：原理、使用与面试指南——向量检索的基石在 RAG、推荐系统、以图搜图等场景中，核心问题是如何从海量数据中快速检索出与查询最相似的项。FAISS（Facebook AI Similarity Search）正是为此而生的向量检索库。它通过构建索引将暴力扫描的 O(N) 复杂度降低到次线性级别，支持亿级向量毫秒级检索。本文从原理、基础使用到面试高频问答，全面解析 FAISS，助你掌握这一检索利器。

2.3 向量数据库：FAISS、Chroma、Milvus、Pinecone、Qdrant你有了 Embedding 模型能把文字变向量，也有了 RAG 流程知道怎么用向量做检索——那向量存哪呢？普通的 MySQL 存不了高效做最近邻搜索，这就需要向量数据库登场了。本文帮你理清主流向量数据库的特点和选型逻辑，别再「选型困难症」了。

RAG 加速指南：Faiss / Milvus / Qdrant 向量库选型与调优三大主流向量数据库深度实测，附 Docker 一键部署配置与性能调优参数向量数据库是 RAG（检索增强生成）系统的核心基础设施。当你的知识库从几千条增长到百万、千万级时，向量检索的性能瓶颈就会彻底拖垮你的 AI 应用响应速度。

FAISS (Facebook AI Similarity Search)FAISS (Facebook AI Similarity Search) 是由 Meta AI（前身是 Facebook AI Research）团队开发并开源的一个高性能向量相似度搜索和聚类库。

31.Cursor 初体验：用 AI Agent 给 PaperPilot 做一次最小工程重构最近在准备投入 AI 应用工程 / RAG / Agent / Python 后端方向的工作，发现 AI Coding 工具已经逐渐成为工程师日常开发的一部分。之前项目主要在 PyCharm 中开发，这次尝试用 Cursor 打开自己的 PaperPilot 项目，体验一次“让 AI 读代码、提计划、执行小改动、人工审查”的开发流程。

29.从 FAISS 到 Milvus：给我的 RAG Agent 项目加一层可替换的向量检索后端最近准备入职 AI Agent 项目组，公司技术文档中提到 AI 核心服务使用 FastAPI，业务后台使用 SpringBoot，数据层包括 MySQL、Redis 和 Milvus。

LangChain+FAISS 向量数据库搭建轻量化 RAG 应用📝 本章学习目标：本章聚焦企业轻量化落地，帮助读者快速掌握基于 LangChain+FAISS 的私有化 RAG 开发流程。通过本章学习，你将从零搭建一套无需 GPU、无外网依赖、纯本地运行、代码极简、可直接上线的轻量化 RAG 应用。

纯本地 RAG 系统部署详细教程：DeepSeek+BGE+FAISS本次纯本地离线 RAG 系统完整部署，严格遵循环境搭建→依赖安装→本地模型离线下载→项目文件配置→PDF 知识库准备→向量库构建→本地大模型加载→RAG 问答逻辑调试→项目运行测试→问题优化排错十大标准化流程，全程断网可用、无云端 API 调用、无需密钥授权、全程屏蔽运行警告。整体部署逻辑由浅入深、层层递进：先搭建隔离独立的 Python 虚拟运行环境，规避多项目依赖冲突；再批量安装 PDF 解析、文本分割、向量数据库、大模型推理全套依赖库；接着手动下载 DeepSeek 大语言模型、BGE 中文嵌入模型

LangChain 向量存储：Chroma、FAISS在学 Chroma/FAISS 之前，必须先搞懂两个核心问题：为什么要用向量存储？和什么是嵌入（Embedding）？

27.RAG 系统中的上下文充分性判断：从 Chunk 数量、FAISS 距离到 LLM Relevance Gate通过RAG技术可以在一定程度上消除大模型的幻觉，但是如果召回的知识不够充分，那么大模型的回答仍会存在一定幻觉，验证上下文是否充分是为了判断大模型回答的结果是否可信。一般在有充分的上下文作为支撑的时候，我们才能相信大模型给了我们正确答案。围绕判断检索是否充分，最近我做了几次迭代。