FAISS 是 Meta（Facebook）AI 研究团队推出的高效相似度搜索库，主要用于稠密向量的相似度检索与聚类，可处理十亿级向量规模，并提供 GPU 加速与多种索引类型。其核心以 C++ 实现，同时提供 Python 绑定。资料显示该项目在 GitHub 上拥有 31,700+ 星标，采用 MIT 许可证。
一、适用场景 根据资料，以下情况适合使用 FAISS：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、不需要元数据过滤；对高吞吐、低延迟有较高要求；对嵌入向量进行离线或批处理。
若需要元数据过滤，资料建议改用 Chroma 或 Pinecone；若需要完整数据库功能，建议改用 Weaviate；若希望更简单、功能更少，可考虑 Annoy。
二、安装 CPU 版本：pip install faiss-cpu GPU 版本：pip install faiss-gpu
三、基本用法 使用 Python 时，先导入 faiss 与 numpy，构造示例数据（如 1000 个 128 维向量），创建索引（如 faiss.IndexFlatL2(d) 表示 L2 距离），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。
四、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）。资料称其最慢但最准确。
- IVF（倒排文件，快速近似）：先创建 quantizer（如 IndexFlatL2），再创建 IndexIVFFlat(quantizer, d, nlist)，其中 nlist 为聚类数（示例为 100）；需先 index.train(vectors) 训练，再 index.add(vectors) 添加；搜索时通过 index.nprobe 指定要搜索的聚类数（示例为 10）。
- HNSW（分层 NSW，质量与速度兼顾）：IndexHNSWFlat(d, M)，M 为每层连接数（示例为 32）；无需训练，直接 add 后即可 search。
- 乘积量化（PQ，内存高效）：IndexPQ(d, m, nbits)，m 为子量化器数量（示例为 8），nbits 为 8；资料称 PQ 可将内存减少 16–32 倍；需先 train 再 add。
五、保存与加载 使用 faiss.write_index(index, "large.index") 保存索引，使用 faiss.read_index("large.index") 加载索引，之后可继续调用 search。
六、GPU 加速 单 GPU：创建 faiss.StandardGpuResources()，将 CPU 索引通过 faiss.index_cpu_to_gpu(res, 0, index_cpu) 转到 GPU 0。多 GPU：使用 faiss.index_cpu_to_all_gpus(index_cpu)。资料称 GPU 比 CPU 快 10–100 倍。
七、框架集成 LangChain：可从 langchain_community.vectorstores 导入 FAISS，配合 OpenAIEmbeddings，用 FAISS.from_documents(docs, OpenAIEmbeddings()) 创建向量存储；用 vectorstore.save_local("faiss_index") 保存；用 FAISS.load_local("faiss_index", OpenAIEmbeddings(), allow_dangerous_deserialization=True) 加载；用 vectorstore.similarity_search("query", k=5) 搜索。 LlamaIndex：可从 llama_index.vector_stores.faiss 导入 FaissVectorStore，创建 faiss.IndexFlatL2(d)（示例 d=1536），再以 FaissVectorStore(faiss_index=faiss_index) 构造向量存储。
八、最佳实践（资料列出） 选择合适的索引类型：小于 1 万用 Flat，1 万至 100 万用 IVF，追求质量用 HNSW；余弦相似度需归一化后配合 IndexFlatIP；大数据集使用 GPU；保存已训练的索引，因为训练开销较大；调节 nprobe/ef_search 以平衡速度与准确率；关注内存，大数据集可用 PQ；批量查询以提升 GPU 利用率。
九、性能对比（资料给出） Flat：构建快、搜索慢、内存高、准确率 100%。 IVF：构建中等、搜索快、内存中等、准确率 95–99%。 HNSW：构建慢、搜索最快、内存高、准确率 99%。 PQ：构建中等、搜索快、内存低、准确率 90–95%。
十、资源 GitHub：https://github.com/facebookresearch/faiss （31,700+ 星标） Wiki：https://github.com/facebookresearch/faiss/wiki 许可证：MIT
关于收费、价格、平台支持范围等具体信息，资料暂未提供。