Skip to main content
Facebook AI 相似度搜索（FAISS） 是一个用于高效相似度搜索和密集向量聚类的库。它包含可在任意大小向量集合中进行搜索的算法，甚至可处理无法全部装入内存的向量集。它还提供用于评估和参数调优的辅助代码。 参见 The FAISS Library 论文。
您可以在此页面找到 FAISS 文档。 本 Notebook 展示与 FAISS 向量数据库相关的功能使用方法，包括此集成特有的功能。完成后，建议探索相关用例页面，了解如何将此向量存储作为更大链路的一部分使用。

​
设置

该集成位于 langchain-community 包中。我们还需要安装 faiss 包本身。可通过以下命令安装： 注意：如果您想使用 GPU 版本，也可以安装 faiss-gpu。 
pip install -qU langchain-community faiss-cpu
如果您希望获得最佳的模型调用自动追踪，可以通过取消注释以下内容来设置您的 LangSmith API key： 
os.environ["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass()

​
初始化

# | output: false
# | echo: false
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

import faiss
from langchain_community.docstore.in_memory import InMemoryDocstore
from langchain_community.vectorstores import FAISS

index = faiss.IndexFlatL2(len(embeddings.embed_query("hello world")))

vector_store = FAISS(
    embedding_function=embeddings,
    index=index,
    docstore=InMemoryDocstore(),
    index_to_docstore_id={},
)

​
管理向量存储

​
向向量存储添加条目

from uuid import uuid4

from langchain_core.documents import Document

document_1 = Document(
    page_content="I had chocolate chip pancakes and scrambled eggs for breakfast this morning.",
    metadata={"source": "tweet"},
)

document_2 = Document(
    page_content="The weather forecast for tomorrow is cloudy and overcast, with a high of 62 degrees.",
    metadata={"source": "news"},
)

document_3 = Document(
    page_content="Building an exciting new project with LangChain - come check it out!",
    metadata={"source": "tweet"},
)

document_4 = Document(
    page_content="Robbers broke into the city bank and stole $1 million in cash.",
    metadata={"source": "news"},
)

document_5 = Document(
    page_content="Wow! That was an amazing movie. I can't wait to see it again.",
    metadata={"source": "tweet"},
)

document_6 = Document(
    page_content="Is the new iPhone worth the price? Read this review to find out.",
    metadata={"source": "website"},
)

document_7 = Document(
    page_content="The top 10 soccer players in the world right now.",
    metadata={"source": "website"},
)

document_8 = Document(
    page_content="LangGraph is the best framework for building stateful, agentic applications!",
    metadata={"source": "tweet"},
)

document_9 = Document(
    page_content="The stock market is down 500 points today due to fears of a recession.",
    metadata={"source": "news"},
)

document_10 = Document(
    page_content="I have a bad feeling I am going to get deleted :(",
    metadata={"source": "tweet"},
)

documents = [
    document_1,
    document_2,
    document_3,
    document_4,
    document_5,
    document_6,
    document_7,
    document_8,
    document_9,
    document_10,
]
uuids = [str(uuid4()) for _ in range(len(documents))]

vector_store.add_documents(documents=documents, ids=uuids)

['22f5ce99-cd6f-4e0c-8dab-664128307c72',
 'dc3f061b-5f88-4fa1-a966-413550c51891',
 'd33d890b-baad-47f7-b7c1-175f5f7b4e59',
 '6e6c01d2-6020-4a7b-95da-ef43d43f01b5',
 'e677223d-ad75-4c1a-bef6-b5912bd1de03',
 '47e2a168-6462-4ed2-b1d9-d9edfd7391d6',
 '1e4d66d6-e155-4891-9212-f7be97f36c6a',
 'c0663096-e1a5-4665-b245-1c2e6c4fb653',
 '8297474a-7f7c-4006-9865-398c1781b1bc',
 '44e4be03-0a8d-4316-b3c4-f35f4bb2b532']

​
从向量存储删除条目

vector_store.delete(ids=[uuids[-1]])

True

​
查询向量存储

向量存储创建完毕并添加相关文档后，您很可能需要在链或代理运行过程中对其进行查询。

​
直接查询

​
相似度搜索

带元数据过滤的简单相似度搜索可按如下方式执行： 
results = vector_store.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=2,
    filter={"source": "tweet"},
)
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")

* Building an exciting new project with LangChain - come check it out! [{'source': 'tweet'}]
* LangGraph is the best framework for building stateful, agentic applications! [{'source': 'tweet'}]
部分 MongoDB 查询和投影运算符 支持更高级的元数据过滤。目前支持的运算符列表如下：
  • $eq（等于）
  • $neq（不等于）
  • $gt（大于）
  • $lt（小于）
  • $gte（大于或等于）
  • $lte（小于或等于）
  • $in（在列表中）
  • $nin（不在列表中）
  • $and（所有条件都匹配）
  • $or（任一条件匹配）
  • $not（条件取反）
使用高级元数据过滤执行上述相同的相似度搜索可按如下方式完成： 
results = vector_store.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=2,
    filter={"source": {"$eq": "tweet"}},
)
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")

* Building an exciting new project with LangChain - come check it out! [{'source': 'tweet'}]
* LangGraph is the best framework for building stateful, agentic applications! [{'source': 'tweet'}]

​
带评分的相似度搜索

您也可以带评分进行搜索： 
results = vector_store.similarity_search_with_score(
    "Will it be hot tomorrow?", k=1, filter={"source": "news"}
)
for res, score in results:
    print(f"* [SIM={score:3f}] {res.page_content} [{res.metadata}]")

* [SIM=0.893688] The weather forecast for tomorrow is cloudy and overcast, with a high of 62 degrees. [{'source': 'news'}]

​
其他搜索方法

还有多种其他方式可搜索 FAISS 向量存储。完整方法列表请参阅 API 参考。

​
转换为检索器后查询

您也可以将向量存储转换为检索器，以便在链中更方便地使用。 
retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("Stealing from the bank is a crime", filter={"source": "news"})

[Document(metadata={'source': 'news'}, page_content='Robbers broke into the city bank and stole $1 million in cash.')]

​
用于检索增强生成

关于如何将此向量存储用于检索增强生成（RAG）的指南，请参阅以下章节：

​
保存与加载

您也可以保存和加载 FAISS 索引。这样就不必每次使用时都重新创建索引。 
vector_store.save_local("faiss_index")

new_vector_store = FAISS.load_local(
    "faiss_index", embeddings, allow_dangerous_deserialization=True
)

docs = new_vector_store.similarity_search("qux")

docs[0]

Document(metadata={'source': 'tweet'}, page_content='Building an exciting new project with LangChain - come check it out!')

​
合并

您也可以合并两个 FAISS 向量存储。 
db1 = FAISS.from_texts(["foo"], embeddings)
db2 = FAISS.from_texts(["bar"], embeddings)

db1.docstore._dict

{'b752e805-350e-4cf5-ba54-0883d46a3a44': Document(page_content='foo')}

db2.docstore._dict

{'08192d92-746d-4cd1-b681-bdfba411f459': Document(page_content='bar')}

db1.merge_from(db2)

db1.docstore._dict

{'b752e805-350e-4cf5-ba54-0883d46a3a44': Document(page_content='foo'),
 '08192d92-746d-4cd1-b681-bdfba411f459': Document(page_content='bar')}

​
API 参考

有关所有 FAISS 向量存储功能和配置的详细文档，请前往 API 参考：python.langchain.com/api_reference/community/vectorstores/langchain_community.vectorstores.faiss.FAISS.html
在 GitHub 上编辑此页面 或提交 Issue。
通过 MCP 将这些文档连接到 Claude、VSCode 等，获取实时答案。