FAISS
Meta开源的高效向量相似度搜索库，支持大规模高维向量的最近邻检索，广泛用于语义搜索、推荐系统等场景
核心事实
时间轴 (近 90 天)
FAISS是由Facebook AI Research开源的近似最近邻算法库
向量索引效率问题通常由近似最近邻（ANN）算法库解决，常见方案包括FAISS、Annoy以及基于图结构的HNSW算法
项目采用 RAG 方案，通过 sentence-transformers 生成向量、FAISS 完成向量检索，对公司的数据表结构、KPI 定义和业务规则进行语义检索
双塔检索中用户塔和物品塔解耦，物品向量可离线预计算并建立近似最近邻索引（如FAISS），从而在毫秒级完成亿级候选的快速检索
FAISS并不直接搜索文本，而是将文本转换成嵌入向量后在向量空间中寻找与查询最相似的向量
FAISS的IndexFlatL2是最简单的暴力精确搜索索引类型
IndexIVFFlat通过倒排文件将向量聚类后再搜索以换取速度，HNSW基于图结构实现高效近似最近邻搜索
不同FAISS索引类型在召回率、搜索速度和内存占用之间存在权衡，需根据数据规模和延迟要求选择
典型RAG数据流为：用户查询→Embedding→FAISS相似度搜索→相关数据→LLM→生成回答
纯FAISS本身不原生支持元数据管理，Weaviate、Qdrant、Milvus等向量数据库在索引之上集成了元数据存储与过滤能力
还有 9 条时间轴事件
全部知识事实 (20)
RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%已验证FAISS是Meta开源的高性能向量检索库，适合中小规模场景
80%已验证Pinecone、Chroma、Weaviate是常见的向量数据库产品
80%已验证向量数据库的核心操作是近似最近邻搜索（ANN），通过HNSW、IVF等索引算法将相似度计算加速到毫秒级响应
80%已验证主流向量数据库包括Faiss、Milvus、Qdrant、Weaviate，能在毫秒级完成百万级向量的近似最近邻（ANN）搜索
75%已验证在科研场景中，RAG通常与向量数据库如Pinecone、Weaviate结合使用
65%已验证向量存储常用专用向量数据库如Pinecone、Chroma、Weaviate，支持近似最近邻检索
65%已验证向量数据库通过将文本嵌入为高维向量并计算余弦相似度实现语义检索，但缺乏结构化关系表达能力
65%已验证向量数据库轻量级场景可选Chroma、FAISS，企业级场景常用Milvus、Weaviate、Pinecone
65%已验证RAG技术栈由向量数据库（如Pinecone、Weaviate、Chroma）、嵌入模型、重排序等技术构成
65%已验证FAISS（Facebook AI Similarity Search）是Meta开源的高性能向量检索库，支持Flat精确检索、IVF倒排索引、HNSW图索引等多种索引类型
65%待验证FAISS是Meta开源的向量数据库实现
95%待验证In RAG architecture, when a user asks a question, the system first retrieves the most relevant document fragments from a pre-built knowledge index, then feeds these fragments as context into a large language model, which synthesizes them into a final answer
90%待验证CowAgent使用向量数据库和RAG技术实现长期记忆功能，支持FAISS、Chroma等向量数据库
85%待验证FAISS是由Facebook AI Research开源的近似最近邻算法库
50%待验证向量索引效率问题通常由近似最近邻（ANN）算法库解决，常见方案包括FAISS、Annoy以及基于图结构的HNSW算法
50%待验证项目采用 RAG 方案，通过 sentence-transformers 生成向量、FAISS 完成向量检索，对公司的数据表结构、KPI 定义和业务规则进行语义检索
50%待验证双塔检索中用户塔和物品塔解耦，物品向量可离线预计算并建立近似最近邻索引（如FAISS），从而在毫秒级完成亿级候选的快速检索
50%待验证FAISS并不直接搜索文本，而是将文本转换成嵌入向量后在向量空间中寻找与查询最相似的向量
50%待验证FAISS的IndexFlatL2是最简单的暴力精确搜索索引类型
50%