FAISS (Facebook AI Similarity Search) is Meta's open-source library for efficient similarity search and clustering of dense vectors. It is an ANN library, not a full vector database with built-in filters and multi-tenant APIs.

How do I install FAISS on CPU?

Common path: pip install faiss-cpu (or conda-forge faiss-cpu). Use faiss-gpu only when you have a matching CUDA stack. Prefer a clean venv/conda env.

IndexFlatL2 is exact brute-force L2 search—simple and accurate for small/medium sets. IVF (e.g. IndexIVFFlat) partitions the space for faster approximate search on larger collections; you train the quantizer and tune nprobe.

When to use FAISS vs Chroma, pgvector, or Qdrant?

Use FAISS when you need raw speed/control in-process (research, custom pipelines, GPU). Prefer Chroma for quick prototypes, pgvector when you already run Postgres, and Qdrant/Weaviate when you want a production vector DB with filters, persistence, and ops features.

How does FAISS fit RAG?

Embed chunks, add vectors to a FAISS index, search top-k neighbors for a query embedding, then pass retrieved text to the LLM. Persist index files yourself; metadata often lives in a side store.

CyberAI Academy

高階 · 公開核心＋會員工作紙 Meta · 向量搜尋

FAISS：向量相似度搜尋（ANN 函式庫，唔係完整資料庫）

Facebook AI Similarity Search · faiss-cpu · RAG 檢索 · 聯絡 psyche@mail.grokbot.com

學習貼士

函式庫≠完整向量 DB。
先 faiss-cpu＋FlatL2。
RAG＝embed→索引→top-k。
非贊助；跟官方。

課節進度

開始學習吧！勾選完成的課節。

0% 完成（0／10 課節）

11. 是什麼
22. 安裝
33. FlatL2 vs IVF
44. 建索引＋搜尋
55. 對照
66. RAG／OPC
77. 三個範例
88. 官方來源
99. 練習
1010. 常見問題

提示：滾動到課節會自動標記完成；點擊課節仍可標記／取消（存於本機）。

一句話：喺向量堆入面快搵最近鄰——RAG 檢索核心之一。

1. 是什麼／為什麼（公開）

Meta 開源相似度搜尋。
精確／ANN 最近鄰；CPU／GPU。
唔係完整向量 DB。
研究／自建／GPU／Python ML。

2. How-to：安裝（faiss-cpu／conda）

venv 再裝套件。
pip install faiss-cpu numpy。
GPU 後話；先 CPU。
" data-en="Verify:
```
python -c "import faiss; print(faiss.__version__)"
```
" data-i18n-html="1">import faiss 印版本。

裝 faiss-cpu，import faiss。

3. IndexFlatL2 vs IVF（基礎）

類型	特點	何時用
IndexFlatL2	精確 L2；簡單	細中量、教學
IndexIVFFlat 等	分區近似搜尋	大集合

IVF：train → add；調 nprobe。
進階見官方；先 Flat＋IVF。

4. 由 embeddings 建索引＋k-NN 搜尋

float32、(n, d)：

import numpy as np
import faiss

d = 128          # 向量維度（要同 embedding 模型一致）
nb = 1000        # 資料庫向量數
nq = 5           # 查詢數
k = 4            # 每個 query 取幾個鄰居

xb = np.random.random((nb, d)).astype('float32')
xq = np.random.random((nq, d)).astype('float32')

index = faiss.IndexFlatL2(d)
print('is_trained', index.is_trained)  # Flat 通常已 ready
index.add(xb)
print('ntotal', index.ntotal)

D, I = index.search(xq, k)  # D=距離, I=索引位置
print(I[:2])
print(D[:2])

I＝列號；文字放旁路 metadata。
write_index／read_index。

5. FAISS vs Chroma／pgvector／Qdrant

	FAISS	Chroma	pgvector	Qdrant／Weaviate
定位	ANN 函式庫	原型友好	Postgres 擴	生產向
過濾／運維	自建	基本	SQL	強
何時揀	效能自控	試作	已有 PG	服務化

詳見向量庫高階課。

6. RAG／OPC 怎麼用 FAISS

chunk→embed→add→search→LLM。
OPC 本機 KB；寫入多就升向量庫。
唔 embed 秘密；ACL；審計注入。

7. 三個實作範例

A. 概念 Python：FlatL2

跑第 4 節；調 k。

B. RAG 檢索草圖（偽碼）

# chunks: list[str]  texts: 同序 metadata
# emb = embed_fn(chunks) -> np.ndarray (n, d) float32
index = faiss.IndexFlatL2(d)
index.add(emb)
faiss.write_index(index, "kb.faiss")

q = embed_fn([question])  # (1, d)
D, I = index.search(q, k=5)
ctx = [chunks[i] for i in I[0]]
# prompt = f"根據以下內容回答：\n" + "\n---\n".join(ctx)

embed 接 Ollama／雲端。

C. 批次建索引＋IVF 草圖

nlist = 100  # 分區數（視資料量調整）
quantizer = faiss.IndexFlatL2(d)
index = faiss.IndexIVFFlat(quantizer, d, nlist)
assert not index.is_trained
index.train(xb)          # 需要足夠訓練向量
index.add(xb)
index.nprobe = 10        # 搜尋時探訪分區數
D, I = index.search(xq, k)

資料少用 Flat；IVF 要夠 train。

8. 官方來源

facebookresearch/faissGitHub faiss.ai文件入口 FAISS WikiWiki

站內相關課見連結。

9. 練習清單

□ 安裝＋import
□ FlatL2 跑通
□ 持久化
□ 迷你 RAG
□ 選型一句

常見問題

FAISS 係咪向量資料庫？

係函式庫；完整 DB 另見向量庫課。

該裝 faiss-cpu 定 faiss-gpu？

先 CPU；GPU 要對齊 CUDA。

IndexFlatL2 同 IVF 點揀？

細→Flat；大→IVF。

點樣接 RAG？

embed→索引→top-k→LLM。

🔒 會員專屬：索引選擇・Embedding 管線・OPC RAG 草圖

解鎖高階工作紙。會員 HK$50／月。

登入解鎖開通會員

下一步

Vector DBs · RAG · LangChain · Python · LLM · OPC · 課程總覽