faiss

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。

基于SpringAI的智能AIOps项目：微服务与DDD多模块融合设计概述本项目是一款聚焦智能运维的 AIOps 平台，以微服务架构为部署形态，以DDD（领域驱动设计）为模块拆分核心逻辑，将 “采集 - 检测 - 定位 - 处置 - 复检” 的运维闭环拆解为高内聚、低耦合的服务单元与领域模块，既满足微服务 “独立部署、弹性扩展” 的需求，又通过 DDD 保证业务逻辑的清晰性与可维护性。

基于SpringAI的智能OPS平台AIops介绍在企业数字化转型提速的当下，公司业务运营平台运维复杂度陡增。传统模式高度依赖人工，面对海量监控指标与重复性故障，运维人员疲于被动响应，易因处置延迟扩大故障影响，难以匹配业务高效运转需求。

基于SpringAI的智能OPS平台开发前置技能FAISShttps://github.com/facebookresearch/faiss在开始项目之前，我们先来了解一个核心概念：矢量数据库（Vector Database）。

多模态图文跨模态检索实战教程目录摘要一、技术原理1.1 架构设计理念解析1.2 核心算法实现1.2.1 对比损失函数实现1.2.2 特征对齐机制

草根研究生

BM25, TF-IDF, Faiss-based methods在深度学习（Deep Learning）和 BERT 大行其道之前，它们统治了信息检索（Information Retrieval, IR）领域几十年。

如何选择FAISS的索引类型在之前的文章中，我们系统性的介绍了嵌入和语义检索以及向量相似度。本文将在语义检索领域探讨更加接近实战的话题：如何如何选择FAISS的索引类型。 Faiss 是一个用于高效相似性搜索和密集向量聚类的库。它使用 C++ 编写，并提供了完整的 Python 封装。可以在 CPU 上运行，只是一些最有用的算法是在 GPU 上实现的。它的主要功能是：

LightRAG 系列 5：核心技术解析——HNSW 索引机制与 Web 应用中的毫秒级检索图片来源网络，侵权联系删。LightRAG系列文章 ● LightRAG系列1：为什么 Web 开发者需要关注 RAG？