| 定位 | 库（library），非独立数据库服务 |
|---|---|
| 核心对象 | Index（索引）、IndexIDMap（id 映射）、量化器 |
| 平台 | CPU 与 GPU（faiss-gpu）两套构建 |
| 典型用途 | 离线检索基线、批量去重、嵌入式向量搜索 |
安装与版本
安装与版本
pip install faiss-cpu
python -c "import faiss; print(faiss.__version__)"FAISS 索引驻留在进程内存：多实例部署时各自持有一份，内存规划按实例数乘算。
本包目录（229 条）
架构与流程30 条解析与切分33 条Embedding 与检索50 条
向量数据库49 条
- Milvus 架构组成
- Milvus 索引类型选择
- 向量库选型对比要点
- Milvus 检索与过滤
- pgvector 扩展安装与向量类型
- Milvus 建集合与字段
- Qdrant 部署与基础运维
- Milvus 混合检索与重排器
- Qdrant 集合与点操作
- FAISS 定位与核心对象
- pgvector 距离算子与查询
- Milvus 分区与分区键
- Qdrant 查询接口（query_points）
- FAISS IndexFlat 精确检索
- pgvector HNSW 索引
- Elasticsearch 向量检索（kNN）
- Qdrant 过滤条件写法
- FAISS HNSW 使用与保存
- pgvector 与 SQL 混合检索
- Elasticsearch 混合检索与 RRF
- Milvus 一致性级别与可见性
- Qdrant 载荷索引（payload index）
- Qdrant 稀疏向量与混合查询
- FAISS IVF 索引与训练
- pgvector IVFFlat 索引
- Chroma 快速上手
- 向量库容量与内存估算
- 分片、副本与横向扩展
- Milvus 删除与压缩（compaction）
- Qdrant 量化配置
- pgvector 性能与资源调优
- Redis 向量检索能力
- 向量索引重建操作模式
- 多租户向量库模式
- 向量检索监控指标
- Qdrant 快照与备份
- FAISS 索引读写与合并
- Chroma 服务模式（HTTP）
- 向量库备份策略要点
- 向量库迁移流程
- 半精度与降维（halfvec / Matryoshka）
- Attu 与 Milvus 可视化运维
- pgvector 批量写入与更新
- Weaviate 与内置向量化
- GPU 加速向量检索
- 托管向量服务选型要点
- Milvus Lite 本地开发模式
- 嵌入式向量库（LanceDB / SQLite 系）
- 向量库版本升级注意事项
FAISS 定位与核心对象
FAISS 是面向稠密向量的相似度检索库（不是服务）：提供索引结构、量化与 GPU 加速，嵌入到应用进程内使用；没有集合管理、过滤与持久化服务，这些需要自行实现。
易错点
- 把 FAISS 当独立服务规划高可用，忽略它不是服务端的定位
- 索引文件很大时随应用镜像分发，镜像体积失控
数据来源与参考
- FAISS 官方文档（Getting started / Faiss indexes）
- FAISS wiki（Guidelines to choose an index）