Clasa FAISS oferă integrarea cu biblioteca open-source Facebook AI Similarity Search, optimizată în C++ pentru căutarea vecinilor apropiați (k-NN) pe colecții mari de vectori de embedding, atât pe CPU cât și pe GPU.
Exemplu complet de indexare și salvare
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
vectorstore = FAISS.from_documents(documente, OpenAIEmbeddings())
# Salvarea indexului binar pe disc
vectorstore.save_local("index_faiss")
# Reîncărcare ulterioară
db_incarcat = FAISS.load_local("index_faiss", OpenAIEmbeddings(), allow_dangerous_deserialization=True)Permite căutare de similaritate prin .similarity_search() sau .similarity_search_with_score().
Întrebări & Exemple practice:
FAISS Vector Store: Indexare și Căutare Vectorială Ultra-RapidăAi o întrebare despre FAISS Vector Store: Indexare și Căutare Vectorială Ultra-Rapidă sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.