向量数据库实战：基于FAISS的语义搜索系统

一、项目概述

1.1 什么是向量数据库？

向量数据库是一种专门用于存储、索引和检索高维向量数据的数据库系统。在AI领域，向量通常是指通过预训练模型（如Transformer）将文本、图像等非结构化数据转换而成的数值表示（Embedding）。

1.2 项目背景

本项目展示了如何使用阿里云百炼Embedding API生成文本向量，并结合FAISS（Facebook AI Similarity Search）构建一个简单但功能完整的语义搜索系统。

1.3 技术栈

• Python 3.11+：主要开发语言
• 阿里云百炼Embedding API：生成文本向量
• FAISS：向量相似度搜索引擎
• NumPy：数值计算库

二、环境配置

2.1 安装依赖

项目所需依赖已在requirements.txt文件中列出：

faiss_cpu==1.7.4
openai>=1.0.0
numpy<2

使用以下命令安装依赖： ```bash pip install -r requirements.txt

2.2 配置API密钥

项目使用阿里云百炼Embedding API，需要配置API密钥：

1. 在阿里云控制台获取API密钥（DASHSCOPE_API_KEY）
2. 设置环境变量：
   • Windows：

     setx DASHSCOPE_API_KEY "your-api-key"

   • Linux/Mac：

     exportDASHSCOPE_API_KEY="your-api-key"

三、项目结构解析

项目包含两个核心Python脚本和一个依赖文件：

CASE-向量数据库/ ├── 1-embedding计算.py # 基础的向量生成示例 ├── 2-embedding-faiss-元数据.py # 完整的向量数据库搜索系统 └── requirements.txt # 项目依赖

四、核心功能实现

4.1 基础向量生成（1-embedding计算.py）

这个脚本展示了如何使用阿里云百炼API生成文本向量：

importosfromopenaiimportOpenAI# 初始化OpenAI客户端（兼容模式）client=OpenAI(api_key=os.getenv("DASHSCOPE_API_KEY"),base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")# 生成向量completion=client.embeddings.create(model="text-embedding-v4",input='我想知道迪士尼的退票政策',dimensions=1024,# 指定向量维度encoding_format="float")# 输出结果print(completion.model_dump_json())

关键参数说明：

• model：使用的向量模型，这里是text-embedding-v4
• input：要生成向量的文本内容
• dimensions：生成向量的维度，设置为1024
• encoding_format：输出格式，这里使用float格式

4.2 完整向量搜索系统（2-embedding-faiss-元数据.py）

这个脚本实现了一个完整的语义搜索系统，包含向量生成、FAISS索引构建和相似度搜索功能：

4.2.1 系统架构

文本数据 → Embedding生成 → 向量存储（FAISS索引） ↓ 查询文本 → Embedding生成 → 向量相似度搜索 → 返回结果

4.2.2 核心功能模块

1. 初始化API客户端

try:client=OpenAI(api_key=os.getenv("DASHSCOPE_API_KEY"),base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")exceptExceptionase:print("初始化OpenAI客户端失败，请检查环境变量'DASHSCOPE_API_KEY'是否已设置。")print(f"错误信息:{e}")exit()

2. 数据准备

documents=[{"id":"doc1","text":"迪士尼乐园的门票一经售出，原则上不予退换。但在特殊情况下，如恶劣天气导致园区关闭，可在官方指引下进行改期或退款。","metadata":{"source":"official_faq_v1.pdf","category":"退票政策","author":"Admin"}},# 更多文档...]

3. 向量生成与存储

metadata_store=[]vectors_list=[]vector_ids=[]fori,docinenumerate(documents):try:# 调用API生成向量completion=client.embeddings.create(model="text-embedding-v4",input=doc["text"],dimensions=1024,encoding_format="float")# 获取向量vector=completion.data[0].embedding vectors_list.append(vector)# 存储元数据metadata_store.append(doc)vector_ids.append(i)print(f" - 已处理文档{i+1}/{len(documents)}")exceptExceptionase:print(f"处理文档 '{doc['id']}' 时出错:{e}")continue# 转换为FAISS所需的NumPy格式vectors_np=np.array(vectors_list).astype('float32')vector_ids_np=np.array(vector_ids)

4. 构建FAISS索引

dimension=1024# 向量维度# 创建基础索引index_flat_l2=faiss.IndexFlatL2(dimension)# 使用IndexIDMap包装，支持自定义IDindex=faiss.IndexIDMap(index_flat_l2)# 添加向量和ID到索引index.add_with_ids(vectors_np,vector_ids_np)

5. 语义搜索

query_text="我想了解一下迪士尼门票的退款流程"# 生成查询向量query_completion=client.embeddings.create(model="text-embedding-v4",input=query_text,dimensions=1024,encoding_format="float")query_vector=np.array([query_completion.data[0].embedding]).astype('float32')# 搜索相似向量k=3# 返回前3个结果distances,retrieved_ids=index.search(query_vector,k)# 展示结果print("\n--- 搜索结果 ---")foriinrange(k):doc_id=retrieved_ids[0][i]retrieved_doc=metadata_store[doc_id]print(f"\n--- 排名{i+1}(相似度得分/距离:{distances[0][i]:.4f}) ---")print(f"ID:{doc_id}")print(f"原始文本:{retrieved_doc['text']}")print(f"元数据:{retrieved_doc['metadata']}")

五、运行示例

5.1 运行基础向量生成

python1-embedding计算.py

输出结果示例：

{"data":[{"embedding":[0.0123,-0.0456,...],"index":0,"object":"embedding"}],"model":"text-embedding-v4","object":"list","usage":{"prompt_tokens":12,"total_tokens":12}}

5.2 运行语义搜索系统

python2-embedding-faiss-元数据.py

输出结果示例：

正在为文档生成向量... - 已处理文档 1/4 - 已处理文档 2/4 - 已处理文档 3/4 - 已处理文档 4/4 FAISS 索引已成功创建，共包含 4 个向量。 正在为查询文本生成向量: '我想了解一下迪士尼门票的退款流程' --- 搜索结果 --- --- 排名 1 (相似度得分/距离: 0.3222) --- ID: 2 原始文本: 对于在线购买的迪士尼门票，如果需要退票，必须在票面日期前48小时通过原购买渠道提交申请，并可能收取手续费。 元数据: {'source': 'online_policy.html', 'category': '退票政策', 'author': 'E-commerceTeam'} --- 排名 2 (相似度得分/距离: 0.3312) --- ID: 0 原始文本: 迪士尼乐园的门票一经售出，原则上不予退换。但在特殊情况下，如恶劣天气导致园区关闭，可在官方指引下进行改期或退款。 元数据: {'source': 'official_faq_v1.pdf', 'category': '退票政策', 'author': 'Admin'}

六、常见问题与解决方案

6.1 NumPy版本不兼容问题

问题描述：

A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.0 as it may crash.

解决方案：

pipinstallnumpy<2

6.2 API密钥配置问题

问题描述：

初始化OpenAI客户端失败，请检查环境变量'DASHSCOPE_API_KEY'是否已设置。

解决方案：

1. 检查API密钥是否正确获取
2. 确保环境变量已正确设置
3. 或直接在代码中硬编码API密钥（不推荐用于生产环境）

6.3 FAISS安装问题

问题描述：

ERROR: Could not find a version that satisfies the requirement faiss_cpu

解决方案：

pipinstallfaiss-cpu

七、项目扩展建议

7.1 功能扩展

1. 批量处理：优化代码以支持大规模文档的批量处理
2. 索引持久化：将FAISS索引保存到磁盘，避免每次重启重新构建
3. 多模态支持：扩展支持图像、音频等其他模态的数据
4. 实时更新：实现向量索引的实时更新和增量添加

7.2 性能优化

1. 使用GPU加速：安装faiss-gpu版本，利用GPU加速向量搜索
2. 索引类型选择：根据数据规模选择合适的FAISS索引类型（如IVF、HNSW等）
3. 向量压缩：使用量化技术减小向量存储空间和加速搜索

八、总结

本项目展示了如何使用现代AI技术构建一个简单但功能完整的语义搜索系统。通过阿里云百炼Embedding API生成文本向量，结合FAISS实现高效的相似度搜索，我们可以轻松构建智能问答、文档检索等应用。

这个项目适合作为向量数据库和语义搜索领域的入门实战案例，通过学习和扩展，可以构建更复杂、更实用的AI应用系统。

关注作者：持续更新AI技术实战教程，分享最新技术动态和项目经验！

如果觉得有帮助，请点赞、收藏并关注，您的支持是我创作的最大动力！