{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}

Faiss

Facebook 用于高效相似性搜索和密集向量聚类的库。支持数十亿向量、GPU 加速以及多种索引类型（Flat、IVF、HNSW）。适用于快速 k-NN 搜索、大规模向量检索，或仅需纯相似性搜索而无需元数据的场景。最适合高性能应用。

Skill 元数据


来源	可选 — 通过 `hermes skills install official/mlops/faiss` 安装
路径	`optional-skills/mlops/faiss`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖项	`faiss-cpu`, `faiss-gpu`, `numpy`
平台	linux, macos
标签	`RAG`, `FAISS`, `Similarity Search`, `Vector Search`, `Facebook AI`, `GPU Acceleration`, `Billion-Scale`, `K-NN`, `HNSW`, `High Performance`, `Large Scale`

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 skill 激活时 agent 所看到的指令内容。

FAISS - 高效相似性搜索

Facebook AI 用于十亿级向量相似性搜索的库。

何时使用 FAISS

在以下情况下使用 FAISS：

需要对大型向量数据集（百万/十亿级）进行快速相似性搜索

需要 GPU 加速

纯向量相似性搜索（无需元数据过滤）

对高吞吐量、低延迟有严格要求

对 embedding（嵌入向量）进行离线/批量处理

指标：

GitHub 31,700+ 星

Meta/Facebook AI Research 出品

支持数十亿向量

C++ 并提供 Python 绑定

以下情况请使用替代方案：

Chroma/Pinecone：需要元数据过滤

Weaviate：需要完整数据库功能

Annoy：更简单，功能较少

快速开始

安装

基本用法

索引类型

1. Flat（精确搜索）

2. IVF（倒排文件）- 快速近似搜索

3. HNSW（分层小世界图）- 质量/速度最佳平衡

4. 乘积量化（Product Quantization）- 内存高效

保存与加载

GPU 加速

LangChain 集成

LlamaIndex 集成

最佳实践

选择合适的索引类型 — 10K 以下用 Flat，10K-1M 用 IVF，追求质量用 HNSW

余弦相似度需归一化 — 对归一化向量使用 IndexFlatIP

大数据集使用 GPU — 速度提升 10-100 倍

保存已训练的索引 — 训练成本较高

调整 nprobe/ef_search — 平衡速度与精度

监控内存使用 — 大数据集使用 PQ

批量查询 — 提升 GPU 利用率

性能对比

索引类型	构建时间	搜索时间	内存占用	精度
Flat	快	慢	高	100%
IVF	中等	快	中等	95-99%
HNSW	慢	最快	高	99%
PQ	中等	快	低	90-95%

资源

GitHub：https://github.com/facebookresearch/faiss ⭐ 31,700+

Wiki：https://github.com/facebookresearch/faiss/wiki

许可证：MIT

"Faiss — Facebook 用于高效相似性搜索和密集向量聚类的库"

Faiss#

Skill 元数据#

参考：完整 SKILL.md#

FAISS - 高效相似性搜索#

何时使用 FAISS#

快速开始#

安装#

基本用法#

索引类型#

1. Flat（精确搜索）#

2. IVF（倒排文件）- 快速近似搜索#

3. HNSW（分层小世界图）- 质量/速度最佳平衡#

4. 乘积量化（Product Quantization）- 内存高效#

保存与加载#

GPU 加速#

LangChain 集成#

LlamaIndex 集成#

最佳实践#

性能对比#

资源#

Faiss

Skill 元数据

参考：完整 SKILL.md

FAISS - 高效相似性搜索

何时使用 FAISS

快速开始

安装

基本用法

索引类型

1. Flat（精确搜索）

2. IVF（倒排文件）- 快速近似搜索

3. HNSW（分层小世界图）- 质量/速度最佳平衡

4. 乘积量化（Product Quantization）- 内存高效

保存与加载

GPU 加速

LangChain 集成

LlamaIndex 集成

最佳实践

性能对比

资源