一：认识faiss-cpu
1. faiss 到底是什么？
faiss 是Facebook AI 团队开源的、专门用于向量相似度检索的高性能向量数据库，你可以把它理解成「RAG 系统的智能向量储物柜 + 超快检索引擎」。
结合你之前的学习内容，一句话讲清它的核心作用：
之前 给每个文本块生成了对应的向量，现在需要把这些「文本 +向量」对存起来，当用户提问时，能在几毫秒内从成千上万的向量里，找到和用户问题向量最像的前几个文本块 ——faiss 就是专门干这个的，是 RAG 系统能实现精准、快速检索的核心底层引擎
2. 为什么要安装 faiss-cpu？和其他向量库有什么区别？
| 对比项 faiss-cpu | 其他向量库（milvus/pinecone 等） | 零基础选型建议 | 零基础选型建议 |
|---|---|---|---|
| 部署难度 | 极低，一行命令安装，本地直接运行，无需任何服务部署 | 高，需要搭建服务、配置环境、做集群管理，零基础很难上手 | ★★★★★ 首选 faiss-cpu，零基础直接用 |
| 性能 | 完全满足个人学习、小项目需求，单台电脑就能轻松处理 100 万 + 向量的检索 | 性能更强，支持分布式、大数据量，适合企业级生产环境 | 学习 / 小项目用 faiss-cpu 完全够用，企业级项目再考虑其他 |
| 成本 | 完全免费开源，本地运行无任何成本 | 有服务器成本、云服务成本，部分有调用额度限制 | 学习场景首选 faiss-cpu，零成本 |
| 适配性 | 完全适配你之前生成的文本向量，和 Python 无缝衔接，代码极简 | 有复杂的 API、权限配置，学习成本高 | 零基础学习，faiss-cpu 是唯一首选 |
3. 核心误区澄清（90% 的零基础人都会搞错）
❌ 错误认知：faiss 是用来生成向量的
✅ 正确认知：faiss不生成向量，它是用来存储向量、快速检索向量的。向量生成是你之前用通义 / BGE 模型做的事，faiss 负责把生成好的向量存起来，然后快速找到最相似的向量。
二：安装faiss-cpu
方案 ：零基础首选【conda 安装 faiss-cpu】（稳定性拉满，推荐 90% 的用户用）
步骤 1：安装 Miniconda（如果已经装了 Anaconda/Miniconda，直接跳过）
- 打开 Miniconda 官网：官网
- 下载对应你系统的安装包（Windows/Mac/Linux）
- 双击安装包，按默认步骤安装即可，全程点「下一步」，不用修改任何配置
- 安装完成后，打开「Anaconda Prompt」（Windows）或终端（Mac/Linux），执行conda --version，验证安装成功
- 打开后，你会看到默认的(base)前缀，说明已经进入 conda 的基础环境了。
步骤 2：执行创建命令（核心，可直接复制）
在 Anaconda Prompt 里执行下面的命令，把路径替换成你自己的目标路径，即可在其他盘创建虚拟环境：
# 核心命令：-p 指定路径，python=3.10 指定Python版本，-y 自动确认安装
conda create -p D:\RAG-Learning-Project\env\rag-env python=3.10 -y
命令参数详解（零基础必看）
| 参数 | 作用 | 你的修改说明 |
|---|---|---|
| -p | 核心参数：手动指定虚拟环境的安装路径，必须写，否则默认装在 C 盘 | 替换成你自己的目标路径，比如 D 盘、E 盘、移动硬盘的路径 |
| python=3.10 | 指定虚拟环境的 Python 版本，RAG 项目推荐 3.9/3.10，兼容性最好 | 不要用 3.12+，faiss、dashscope 等包的兼容性还不稳定 |
| -y | 自动确认所有安装步骤，不用你手动输入y确认 | 可选，不加的话需要手动按y确认安装 |
步骤3：等待安装完成
执行命令后，conda 会自动在你指定的路径里创建虚拟环境，下载对应的 Python 解释器、基础依赖包，等待 1-2 分钟即可完成。
安装完成后，你会看到提示：# To activate this environment, use，说明创建成功了。
步骤 4：激活你创建的其他盘虚拟环境
创建完成后，不能用默认的conda activate 环境名激活，必须用完整路径激活，命令如下：
# 激活你D盘的虚拟环境，替换成你自己的路径
conda activate D:\RAG-Learning-Project\env\rag-env
激活成功后，你会看到终端最前面的前缀，从(base)变成了(D:\RAG-Learning-Project\env\rag-env)，说明已经成功进入其他盘的虚拟环境了。
步骤 5：验证创建成功
执行下面的命令，验证虚拟环境是否正常：
步骤6：一键安装 faiss-cpu（国内镜像加速，无网络超时）
执行下面的命令，用国内清华镜像安装 faiss-cpu，一键完成，自动处理所有依赖：
# 配置conda国内清华镜像，加速下载
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --set show_channel_urls yes
# 一键安装faiss-cpu，自动安装所有兼容的依赖
conda install faiss-cpu -y
执行完之后，conda 会自动下载、安装 faiss-cpu 和所有对应的依赖，全程不用你手动操作，等待安装完成即可。
6.1：基础安装验证
打开终端 / 命令提示符，激活虚拟环境，执行下面的命令，验证 faiss 是否能正常导入：
python -c "import faiss; print('faiss-cpu安装成功！版本号：', faiss.__version__)"
6.2：功能验证（基础向量操作测试）
# -*- coding: utf-8 -*-
"""
@Created on ： 2026/6/15 17:12
@creator ： er_nao
@File ：day_92.py
@Description ：
"""
import faiss
import numpy as np
# ====================== 测试1：创建faiss索引（向量库） ======================
# 向量维度，和你之前用通义模型生成的向量维度一致（1536维）
d = 1536
# 创建L2距离的索引，最常用、最适合零基础的索引类型
index = faiss.IndexFlatL2(d)
print(f"faiss索引创建成功，向量维度：{d}")
# ====================== 测试2：添加向量到索引（模拟你之前的文本向量） ======================
# 模拟生成10个1536维的向量，对应你之前的10个文本块的向量
# 实际使用时，这里替换成你Day91生成的真实向量
np.random.seed(42) # 固定随机种子，保证结果可复现
xb = np.random.random((10,d)).astype('float32')
print(f"生成测试向量完成，一共{xb.shape[0]} 个向量，维度{xb.shape[1]}")
# 将向量添加到faiss索引中
index.add(xb)
print(f"向量添加到索引成功，索引中总向量数：{index.ntotal}")
# ====================== 测试3：向量相似度检索（核心功能，RAG检索的核心） ======================
# 生成1个查询向量，对应用户提问的问题向量
xq = np.random.random((1, d)).astype('float32')
print(f"生成查询向量完成，维度 {xq.shape[1]}")
# 执行相似度检索，找和查询向量最像的前3个向量
k =3
distances,indices = index.search(xq, k)
print("\n 相似度检索结果：")
print(f"最相似的前{k}个向量的索引：{indices[0]}")
print(f"对应的L2距离（距离越小，相似度越高）：{distances[0]}")
print(" faiss核心功能验证完成，检索正常！")
三：问题记录
问题一：
第一步：先找到正确的conda.exe主程序路径
这是最关键的一步，你必须先找到你电脑里安装的 Anaconda/Miniconda 的根目录里的conda.exe，常见路径如下：
常见的正确路径示例：
- Miniconda 默认安装路径：C:\Users\你的Windows用户名\miniconda3\conda.exe
- Anaconda 默认安装路径：C:\ProgramData\Anaconda3\conda.exe
- 如果你改了安装路径：找到你当初安装 Anaconda/Miniconda 的文件夹，根目录里一定有conda.exe
快速找到的方法：
- 按Win键，搜索Anaconda Prompt，右键点击「打开文件所在位置」
- 打开的文件夹里，你会看到conda.exe文件，复制它的完整路径即可
第二步：点击「Load Environment」，加载你创建的虚拟环境
- 点击「Load Environment」按钮，PyCharm 会自动扫描你用 conda 创建的所有虚拟环境
- 等待 1-2 秒，你会在下方的「Conda Environment」列表里，看到你创建的rag-env虚拟环境
- 选中这个rag-env虚拟环境，PyCharm 会自动识别出对应的 Python 解释器路径
第三步：点击「确定」，完成配置，重启 PyCharm
- 勾选「对所有项目可见」，然后点击「确定」按钮
- 一定要重启 PyCharm 软件，清除缓存，让配置完全生效
- 重启后，你会看到 PyCharm 右下角的解释器，变成了你的rag-env虚拟环境，配置完全成功！
兜底方法：如果还是不行，直接用这个方法 100% 成功
如果你还是找不到conda.exe，或者加载环境还是有问题，直接用这个兜底方法，完全避开 Conda Executable 的配置，直接用你的虚拟环境里的 Python 解释器：
- 回到「Add Python Interpreter」窗口，左侧不要选「Conda Environment」，直接选「System Interpreter」
- 点击「Interpreter」右侧的「…」按钮，浏览找到你虚拟环境里的python.exe，也就是你之前填的F:\RAG-Learning-Project\env\rag-env\python.exe
- 选中这个文件，点击「确定」，再点击「应用」「确定」
- 重启 PyCharm，配置直接生效，完全不用管 Conda Executable 的配置，就能正常使用你的虚拟环境了！
扫一扫
1275
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
