FAISS（Facebook AI 相似度搜索）是由Meta开发的开源库，用于高效地执行稠密向量的相似度搜索和聚类。它旨在处理因数据量过大而无法完全载入内存的数据集，提供了一系列针对速度和内存使用进行优化的算法。该库广泛应用于机器学习和人工智能应用，特别是涉及神经网络生成的嵌入向量的任务，例如推荐系统、信息检索和大语言模型流水线。
FAISS为各种索引结构提供了统一接口，包括精确搜索（暴力搜索）以及近似方法，如乘积量化、HNSW（分层可导航小世界）和倒排文件索引。它同时支持CPU和GPU加速，其中GPU实现能显著加快搜索和聚类操作。该库使用C++编写，并提供Python绑定，使其易于被广大开发者和研究人员使用。
历史与发展
FAISS于2017年3月由Meta（当时为Facebook）的基础人工智能研究（FAIR）团队首次发布。初始版本专注于提供快速且可扩展的相似度搜索解决方案，以满足生产系统中处理数十亿向量日益增长的需求。该库在MIT许可证下开源，使其在学术界和工业界得到广泛采用。
多年来，FAISS在Meta的研究人员和工程师以及更广泛社区的贡献下不断发展。关键里程碑包括2017年引入GPU支持、2018年添加HNSW索引，以及在量化技术和内存效率方面的持续改进。截至2024年，FAISS仍然是向量搜索领域最流行的库之一，在Machine learning生态系统中占有重要地位。
核心特性
FAISS提供了多种索引结构，在搜索精度和速度之间进行权衡。精确搜索索引（IndexFlatL2）计算暴力距离，提供完美的召回率，但随着数据集规模增大而扩展性不佳。对于更大的数据集，近似方法更受青睐。倒排文件索引（IVF）将向量空间划分为多个簇，从而缩小搜索范围。乘积量化（PQ）将向量压缩为紧凑的编码，实现内存高效的存储和更快的距离计算。HNSW索引构建多层图，能够以高召回率进行快速的近似最近邻搜索。
该库还包括聚类算法，如k-means，用于构建倒排索引以及执行其他数据分析任务。FAISS支持批处理，允许同时处理多个查询。它还提供了评估索引性能的工具，包括召回率和速度基准测试。
GPU加速
FAISS包含一个专用的GPU实现，利用CUDA加速索引构建和搜索。GPU版本支持所有主要索引类型，包括flat、IVF和PQ，与仅使用CPU的执行相比，根据硬件和数据集的不同，可以实现10到100倍的加速。这使得它适用于实时应用，例如Large language model系统中的语义搜索，在这些场景中低延迟至关重要。
GPU代码设计为内存高效，使用内存池和异步操作等技术来最大化吞吐量。FAISS还支持多GPU配置，能够在多个设备之间进行分布式搜索。这一能力对于在云环境中部署FAISS尤其有用，例如Amazon Web Services或Google Cloud，这些环境中的GPU实例易于获取。
应用与使用场景
FAISS广泛用于生产系统中的相似度搜索和推荐。例如，它支持电子商务平台中的语义搜索功能，其中产品嵌入与用户查询嵌入进行比较以检索相关商品。它还用于社交媒体平台查找相似的图像或视频，以及生物信息学中比较基因表达谱。
在Generative AI和Artificial intelligence的背景下，FAISS通常用于存储和检索来自Neural network模型的嵌入，从而在Large language model应用中实现检索增强生成（RAG）。通过索引文档嵌入，FAISS使模型能够从大型语料库中访问相关上下文，提高生成响应的准确性和相关性。这种集成在OpenAI和Anthropic等公司构建的框架以及开源项目中很常见。
集成与生态系统
FAISS与NumPy和PyTorch等流行的Python库无缝集成，并且是许多向量数据库系统的核心组件。多个商业和开源项目，包括Milvus、Weaviate和Qdrant，使用FAISS作为其底层搜索引擎。该库还通过社区维护的包装器提供其他语言的绑定，如Java和Go。
FAISS社区维护着广泛的文档、教程以及一个带有问题跟踪和功能请求的GitHub仓库。该库正在积极开发中，定期发布包含性能改进和新功能的版本。截至2025年，FAISS仍然是任何处理高维向量数据的人的基础工具。