FAISS 是 Meta（Facebook）AI 研究团队开发的库，用于高效的稠密向量相似度搜索与聚类，使用 C++ 编写并提供 Python 绑定，可处理数十亿级向量。
用途
FAISS 适用于以下场景：需要对大规模向量数据集（百万至十亿级）进行快速相似度搜索；需要 GPU 加速；只需要纯向量相似度检索、不需要元数据过滤；对高吞吐、低延迟有严格要求；对嵌入向量进行离线或批量处理。
如果需求是元数据过滤，可考虑 Chroma 或 Pinecone；如果需要完整的数据库功能，可考虑 Weaviate；如果只需要更简单、功能更少的方案，可考虑 Annoy。
主要能力
FAISS 提供多种索引类型：
- Flat（精确搜索）：IndexFlatL2 使用 L2（欧氏）距离，IndexFlatIP 使用内积（向量归一化后即为余弦相似度）。速度最慢但精度最高。
- IVF（倒排文件，快速近似）：通过 IndexIVFFlat 构建，需要先训练，搜索时通过 nprobe 控制搜索的聚类数量。
- HNSW（分层 NSW，质量与速度兼顾）：通过 IndexHNSWFlat 构建，M 参数控制每层连接数，无需训练。
- 乘积量化（PQ，内存高效）：通过 IndexPQ 构建，可将内存减少 16–32 倍，需要训练。
此外还支持索引的保存与加载（faiss.write_index / faiss.read_index），以及 GPU 加速（单 GPU 使用 index_cpu_to_gpu，多 GPU 使用 index_cpu_to_all_gpus，官方称比 CPU 快 10–100 倍）。
使用方式
安装：CPU 版本使用 pip install faiss-cpu，GPU 版本使用 pip install faiss-gpu。
基本用法：导入 faiss 与 numpy，准备 float32 向量数据，创建索引（如 faiss.IndexFlatL2(d)），调用 index.add(vectors) 添加向量，再用 index.search(query, k) 搜索 k 个最近邻，返回距离与索引。
IVF 索引需要先调用 index.train(vectors) 训练，再添加向量，搜索时设置 index.nprobe。HNSW 索引无需训练。PQ 索引需要训练后添加。
GPU 加速：创建 faiss.StandardGpuResources()，将 CPU 索引通过 faiss.index_cpu_to_gpu(res, 0, index_cpu) 转为 GPU 索引，或用 faiss.index_cpu_to_all_gpus(index_cpu) 使用多 GPU。
LangChain 集成：从 langchain_community.vectorstores 导入 FAISS，使用 FAISS.from_documents(docs, OpenAIEmbeddings()) 创建向量存储，通过 save_local 保存、load_local 加载（加载时需设置 allow_dangerous_deserialization=True），再用 similarity_search 检索。
LlamaIndex 集成：从 llama_index.vector_stores.faiss 导入 FaissVectorStore，先创建 faiss 索引（如 faiss.IndexFlatL2(d)），再传入 FaissVectorStore(faiss_index=faiss_index)。
适用场景与最佳实践
根据数据规模选择索引类型：小于 1 万条用 Flat，1 万至 100 万条用 IVF，追求质量用 HNSW。做余弦相似度时先归一化向量并使用 IndexFlatIP。大数据集使用 GPU 可获得 10–100 倍加速。训练成本较高，应保存已训练的索引。通过调整 nprobe / ef_search 平衡速度与精度。大数据集可用 PQ 控制内存。批量查询可提升 GPU 利用率。
性能参考
Flat：构建快、搜索慢、内存高、精度 100%。IVF：构建中等、搜索快、内存中等、精度 95–99%。HNSW：构建慢、搜索最快、内存高、精度 99%。PQ：构建中等、搜索快、内存低、精度 90–95%。
限制
FAISS 是向量相似度搜索库，不提供元数据过滤，也不具备完整数据库功能。具体收费、价格与平台支持情况暂未提供。
资源
GitHub：https://github.com/facebookresearch/faiss （星标 31,700+）；Wiki：https://github.com/facebookresearch/faiss/wiki ；许可证：MIT。