上一篇文章采用字符串匹配的方式来查找知识，这种方式比较呆板不够智能，接下来引入向量数据库，通过向量化实现更精细的知识检索。

一、文本嵌入Embedding模型

向量化一段文本的时候，经常用到all-MiniLM-L6-v2，它是一个轻量级的文本嵌入Embedding模型，专门把文字转成数字向量，给RAG做语义检索用。

命令行通过cd命令进入Python工程的所在目录，再执行下面的模型下载命令，可将all-MiniLM-L6-v2保存到本地目录：

接着编写下面的Python代码，就表示把指定文本转成数字向量，也就是对文本做向量化处理：

二、向量检索库FAISS

把文本向量化之后，还要找个地方保存向量数据，以便后续从数据集中检索知识。
FAISS就是一个本地、超快、免费的语义检索工具，专门用来在RAG里找“最相似的知识”。

Python代码里的FAISS主要完成三件事：建立索引、放入知识向量、在用户提问时检索知识，如下代码所示：

三、结合all-MiniLM-L6-v2与FAISS实现RAG

接下来演示如何使用all-MiniLM-L6-v2与FAISS实现RAG检索功能。在编写Python代码前，要先在命令行执行下面的pip安装命令：

然后编写下面的Python检索测试代码：

运行上面的Python代码，根据提示输入问题“什么是FAISS？”，输出日志结果如下：

可见即使问题文本与知识库不是完全的字符串匹配（“什么是FAISS？”对“FAISS是什么”），all-MiniLM-L6-v2模型结合FAISS也能正确识别出问题意图，并给出准确的回答。

本系列的AI应用开发文章目录为《15天学会AI应用开发全目录（零基础小白，零Token消耗）》。