6.1 FAISS 在 RAG 架构中的角色

FAISS 不是 RAG 的完整方案——它是 RAG pipeline 中的"检索引擎"组件

---

这一节在讲什么？

在 pgvector 和 Milvus 教程中，我们用它们搭建了完整的 RAG 系统——从数据存储到检索到生成，一条龙搞定。FAISS 不能独立完成 RAG——它只负责"向量搜索"这一个环节，数据存储、标量过滤、持久化都需要其他组件来补充。这一节我们要明确 FAISS 在 RAG 架构中的角色定位，以及它适合和不适合的 RAG 场景。

---

FAISS 在 RAG 中的角色

RAG 系统的完整 pipeline：

  文档加载 → 切分 → Embedding → 【向量存储+索引】→ 【向量搜索】→ 重排序 → Prompt → LLM
                                    ↑                  ↑
                              pgvector/Milvus      FAISS
                              （存储+索引+过滤）    （纯搜索）

  FAISS 只覆盖"向量搜索"这一个环节
  其他环节需要你自己实现或用其他工具

---

FAISS 适合的 RAG 场景

场景	为什么选 FAISS
数据量中等（< 1000 万）、不需要持久化	FAISS 轻量、快速
需要极致搜索性能	GPU 加速
需要自定义索引组合	积木式组合
嵌入式部署	不需要独立服务
研究/实验	API 灵活、参数可控

FAISS 不适合的 RAG 场景

场景	推荐替代
需要标量过滤	pgvector 或 Milvus
需要数据持久化	pgvector 或 Milvus
需要多用户并发	Milvus
需要分布式	Milvus

---

小结

这一节我们明确了 FAISS 在 RAG 架构中的角色——它只负责向量搜索这一个环节，数据存储和标量过滤需要其他组件。FAISS 适合轻量、高性能、嵌入式的 RAG 场景，不适合需要持久化、标量过滤、并发的生产系统。下一节我们用 FAISS 搭建一个完整的 RAG Demo。