FAISS
FAISS（Facebook AI Similarity Search）是 Meta 的函式庫，不是帶帳號、replication、metadata 查詢的資料庫。它把大量向量編成可搜的索引，Python／C++ 都能呼叫。Chroma、Milvus、pgvector 裡的 HNSW／IVF，觀念幾乎都從這裡來。
所以學 FAISS 有兩個目的：本機做實驗，以及看懂其他產品文件裡的索引名稱。影片見 FAISS 影音。
什麼時候選它
- 研究索引參數、量化（PQ）、GPU 加速。
- 資料可以整包載入記憶體（或自己處理落盤），不需要 SQL／filter／多租戶。
- 要在程式裡嵌入搜尋，而不是開一個資料庫行程。
需要過濾、CRUD、備份與權限時，改用真正的向量資料庫。Pinecone 的學習文章也明確把 FAISS 歸在「standalone vector index」。
核心物件
建索引時就要決定維度 d 與度量。IndexFlatL2 是精確搜尋，當答案的基準。
import numpy as np
import faiss
d = 384
xb = np.random.random((1000, d)).astype("float32")
xq = np.random.random((5, d)).astype("float32")
index = faiss.IndexFlatL2(d)
index.add(xb)
distances, ids = index.search(xq, k=3)
print(ids, distances)
常用組合（名稱在其他資料庫也會遇到）：
| 索引 | 意義 |
|---|---|
| Flat | 精確、最慢。用來驗召回。 |
| IVF | 先分群集，只搜幾個桶。要 train 再 add。 |
| HNSW | 圖索引，查詢快。 |
| PQ／OPQ | 壓縮向量、省記憶體，召回會掉一點。 |
IVF 沒有 train 就 add 會失敗或品質很差——這是 FAISS 新手最常見的錯誤。HNSW 通常不需要這步。
跟向量資料庫怎麼分工
許多系統底層或周邊會用 FAISS（或同一類演算法），再自己補 metadata、WAL、replication。你若只在 FAISS 裡搜，就要自己存 id → 原文 的對照表；這也是為什麼 RAG 教學後續會換成 Chroma／Pinecone。
官方學習資源
上游
FAISS GitHub 與 官方 wiki 是 API 與索引公式的來源。Meta 沒有獨立的 FAISS 證照課。
優質 YouTube
James Briggs 的 FAISS 系列（對應他在 Pinecone Learn 寫的 similarity search 文章）是目前最清楚的逐步教學。內嵌見 FAISS 影音。