HI！大家好，我是 Shammi 😊

第一個週末過去了…
我成功將 SDGs 知識庫的文字內容，轉化成了一組組的數字向量，而這些向量，就像是每一段知識的「指紋」。現在有個問題必需思考：有了這麼多的向量內容，要怎麼高效地管理它們，並在需要時快速找出最相似的那個呢？

所以，今天要探討向量資料庫（Vector Database），它就像是 AI 機器人的「記憶中樞」或「指紋辨識系統」，讓我的機器人能在在海量的知識指紋中，以毫秒級的速度進行搜尋，此次專案用的是「FAISS模組」。

🌐 一、FAISS模組介紹：專為高效相似性搜尋而生的工具

在眾多向量資料庫解決方案中，我選擇 FAISS (Facebook AI Similarity Search) 作為實作工具。

FAISS 並非一個完整的資料庫，而是一個輕量級、高效能的向量索引函式庫。它的核心功能是能夠幫助我對大量向量進行索引，並以極快的速度執行相似性搜尋。

FAISS 的主要優勢在於：
👉 極致的速度：它針對 GPU 和 CPU 進行了優化，能處理數百萬甚至數十億個向量，並提供近乎即時的搜尋結果。
👉 專注於核心：它只做一件事，就是高效地相似性搜尋，這讓它變得非常精簡且強大。

透過 FAISS，我能夠把 Day 7 產生的所有 SDGs 知識向量，變成一個可搜尋、可快速檢索的索引。

🌐 二、實作教學：使用 FAISS 建立向量索引

步驟 1：安裝 FAISS 套件(新增程式區塊)

在 Colab 筆記本中執行以下指令來安裝 FAISS：

#直接安裝穩定且高效能的 faiss-cpu 版本
!pip install faiss-cpu

此專案的效能使用CPU資源就己經很足夠了，但如後續需求更新要用到 GUP 資源時，可手動調整 Colab 為 GUP 資源更改。

補充：

要手動調整 Colab 的執行階段類型，確保它使用 GPU，請按照以下步驟操作：

1. 在你的 Colab 筆記本上方選單列，點擊「執行階段 (Runtime)」。
2. 在下拉式選單中，選擇「變更執行階段類型 (Change runtime type)」。
3. 在彈出的視窗中，找到「硬體加速器 (Hardware accelerator)」選項。
4. 從下拉式選單中，選擇「GPU」。
5. 點擊右下角的「儲存 (Save)」。

完成這些步驟後，Colab 會重新啟動執行階段，並為你分配一個 GPU 資源。

步驟 2：準備向量資料(新增程式區塊)

建立 FAISS 索引並儲存

import faiss

#建立 FAISS 索引
vector_array = np.array(all_embeddings)
dimension = vector_array.shape[1]
index = faiss.IndexFlatL2(dimension)

index.add(vector_array)#將向量陣列加入到索引中
faiss.write_index(index, "sdgs_faiss.index")  #將索引儲存到檔案中，方便載入

print(f"FAISS 索引中包含的向量數量: {index.ntotal}")
print("✅ FAISS 索引已儲存為 sdgs_faiss.index")

參考結果：

總結

開賽第八天了，也近一步的將所有 SDGs 知識向量，存入了一個高效的 FAISS 向量索引中。這個索引，就是我的 AI 對話機器人「記憶中樞」。

有了這個記憶中樞，明天可以來實作最激動人心的部分：檢索機制！透過檢索機制可以設計一個能讓機器人能夠根據使用者的問題功能，從這個向量索引中，精準地找出最相關的 SDGs 內容。