Faiss能解决什么问题？Faiss是什么？

1. Faiss能解决什么问题？

为了比较两个结构化的数据是否相似，例如两张图片是不是类似，两段文本表达的含义是否类似，则需要将非结构化的数据先转成向量数据，然后再进行相似度比较。

如何通过向量化技术比较非结构化数据，可以参考：https://www.cnblogs.com/twosedar/p/18973770

问题来了，在一群数据中找到两个相似度最高的向量数据，最常用的是暴力搜索法，也就是逐一遍历所有向量，计算距离（如欧氏距离、余弦相似度），虽准确，但时间复杂度高，无法处理百万级以上数据。

这个问题在2015年严重困扰了Facebook公司的技术团队，因为作为当时世界上最大的社交网站，时刻要处理数十亿的图片，然后根据用户喜好推荐相似的内容。

于是Facebook成立专门的项目组开展了研究，最终在2017年取得重大突破，研发出了Faiss（Facebook AI Similarity Search)，专门用于解决大规模向量数据的快速搜索问题。Faiss可以在17.7微秒完成10亿图像搜索。而传统的暴力搜索算法，往往需要数小时。

2017年3月项目组发表论文《Billion-scale similarity search with GPUs》公开了核心技术（论文地址 https://arxiv.org/pdf/1702.08734 ），开源了源代码（代码地址：https://github.com/facebookresearch/faiss）。

Faiss的发布引起了业界轰动。

2. Faiss具体是什么？

Faiss本质是一个算法库，核心能力是快速完成大规模（例如十亿规模）向量数据的相似度搜索。它的关键能力是解决了大规模向量检索慢的问题。

它使用 C++语言 实现，并提供 Python封装的库和接口。

业界有人会称Faiss是向量数据库，但Faiss不是传统意义上的数据库，因为它并不具备数据持久化存储的能力，但它是很多向量数据库（例如Milvus）的核心引擎，因为向量数据库最核心的能力就是相似度搜索。

Faiss有点像向量搜索时代的“Linux内核”。

3. Faiss具体长什么样子？

可以通过一个Python代码中调用Faiss库看一下Faiss具体长什么样子。

首先，如果想在python中使用Faiss，则需要安装Faiss库。

Faiss提供CPU和GPU版本，如果做简单验证，可以使用CPU版本。可以使用pip安装

# pip install faiss-cpu

然后编写一段代码，利用Faiss在模拟数据（10个4维向量）中找到和被搜索向量相似度最近的3个向量，并打印出来。

# 步骤1（前置条件）：安装Faiss（CPU版）
# pip install faiss-cpu

import numpy as np
import faiss

# 步骤2：创建模拟数据（10个4维向量）
dim = 4  # 向量维度
database = np.array([
    [0.1, 0.2, 0.3, 0.4],
    [0.5, 0.6, 0.7, 0.8],
    [0.9, 1.0, 1.1, 1.2],
    [0.3, 0.2, 0.1, 0.1],
    [1.0, 0.5, 0.0, 0.5],
    [0.2, 0.3, 0.4, 0.5],
    [0.7, 0.8, 0.9, 1.0],
    [0.0, 0.1, 0.2, 0.3],
    [0.4, 0.5, 0.6, 0.7],
    [0.6, 0.7, 0.8, 0.9]
], dtype='float32')

# 步骤3：创建Faiss索引（最简单的平面索引）
index = faiss.IndexFlatL2(dim)  # 指定Faiss通过计算向量间L2距离（欧氏距离）作为索引类型
                                # 其他的索引类型还有很多，例如IndexIVFFlat（倒排索引），IndexIVFPQ（量化索引）等

# 步骤4：添加模拟数据到索引中
index.add(database)
print(f"索引包含向量数: {index.ntotal}")

# 步骤5：执行相似度搜索
query_vector = np.array([[0.25, 0.25, 0.25, 0.25]], dtype='float32')  # 自定义一个被查询的向量
k = 3  # 返回最相似的3个结果

distances, indices = index.search(query_vector, k)  # 核心代码，使用Faiss索引搜索相识度最近的3个结果

# 步骤6：解读结果
print("\n=== 搜索结果 ===")
print(f"查询向量: {query_vector[0]}")
print(f"最相似的{k}个向量索引: {indices[0]}")
print(f"对应距离: {distances[0]}")

# 打印具体向量
print("\n匹配的向量:")
for i, idx in enumerate(indices[0]):
    print(f"Top {i+1}: {database[idx]} (距离: {distances[0][i]:.4f})")

以上代码的打印结果

索引包含向量数: 10

=== 搜索结果 ===

查询向量: [0.25 0.25 0.25 0.25]

最相似的3个向量索引: [0 3 7]

对应距离: [0.05 0.05 0.09]

匹配的向量:

Top 1: [0.1 0.2 0.3 0.4] (距离: 0.0500)

Top 2: [0.3 0.2 0.1 0.1] (距离: 0.0500)

Top 3: [0. 0.1 0.2 0.3] (距离: 0.0900)

4. Faiss发展里程碑

1）2017年：横空出世

论文《Billion-scale similarity search with GPUs》发表

首秀即巅峰：在Deep1B数据集刷新10亿向量搜索速度纪录。

2）2020年：催生新物种

基于Faiss 的专业向量数据库崛起，典型代表是 Milvus。

3）2023至今：大模型时代基础设施

Faiss成为RAG（检索增强生成）的核心组件。