一、FAISS-為RAG而生的極速索引

FAISS的強大之處在於它的高效搜尋演算法。它可以在一瞬間，從龐大的資料海中找出你需要的資訊，這對於製作一個反應快速的AI顧問非常重要。

現在，我們來將之前準備好的資料，放入FAISS中。
我們只需要使用 FAISS.from_documents() 這個方法，就能將切分好的物件和嵌入模型結合，自動完成向量化與索引建置。

• from_documents()：這個方法會自動執行我們前幾天學到的兩個步驟：

  1. 使用指定的嵌入模型，將每個物件的文字內容轉換成向量。

  2. 將這些向量和 Document 物件本身一起，建立一個FAISS 索引。

執行後，我們就得到了一個完整的、可搜尋的向量資料庫物件。

二、知識庫的保存與載入

為了避免每次運行程式都重建一次知識庫，我們可以將建好的 FAISS 索引儲存到本地硬碟。

• 儲存：使用save_local()，可以將整個FAISS物件存為一個資料夾，包含向量索引和原始文件內容。

• 載入：下次使用時，只需要使用load_local()，就可以快速地從硬碟中載入這個完整的知識庫。

三、結語

到目前為止，我們已經完成了RAG流程中最重要的 R（Retrieval，檢索）：

• 知識（經過處理的旅遊資料）

• 檢索機制（FAISS 索引）

明天我會把這個檢索到的資訊，與大型語言模型 LLM 結合，正式進入「G」（Generation，生成）階段，讓 AI 顧問能夠根據檢索到的上下文，給出專業且流暢的回答，謝謝各位今天的觀看。