要将 Haystack 与 FAISS 或 Milvus 等向量数据库集成，您需要使用 Haystack 的内置文档存储类，并配置它们以与您选择的数据库一起使用。 Haystack 提供了专用的类，例如 FAISSDocumentStore 和 MilvusDocumentStore，它们处理这些数据库的连接和操作。 该过程包括初始化文档存储，使用嵌入对数据进行索引，并使用 Haystack 的检索管道进行查询。 FAISS 和 Milvus 都需要文本数据的嵌入（向量表示），您可以使用 Sentence Transformers 等模型生成嵌入，然后再将其存储在数据库中。
首先，设置文档存储。 对于 FAISS，安装 faiss 库和 Haystack，然后初始化 FAISSDocumentStore。 FAISS 在内存中运行，因此如果需要持久性，您需要手动将索引保存到磁盘。 对于 Milvus，启动 Milvus 服务器（例如，通过 Docker），并使用 host、port 和索引设置等参数配置 MilvusDocumentStore。 例如，初始化 Milvus 存储可能涉及为向量相似性度量（如余弦距离）指定 index_params。 这两个存储都需要文档的嵌入：您可以使用 Haystack 的 EmbeddingRetriever 和预训练模型生成这些嵌入，然后将它们与文本数据一起存储。
接下来，索引您的文档。 使用检索器模型（例如，sentence-transformers/all-MiniLM-L6-v2）将文本数据转换为嵌入。 对于 FAISS，您可以使用 document_store.write_documents() 将文档及其嵌入写入 FAISSDocumentStore。 对于 Milvus，该过程类似，但数据库会自动处理可伸缩性和分布式存储。 索引后，创建一个与文档存储链接的 EmbeddingRetriever 检索管道。 查询时，检索器会将查询文本转换为嵌入，并在向量数据库中搜索最接近的匹配项。 例如，管道可能会返回与用户问题相关的排名前 5 的文档。
最后，考虑可伸缩性和用例。 由于 FAISS 的内存设计，它非常适合较小的单节点应用程序，而 Milvus 支持分布式部署和更大的数据集。 Haystack 抽象了大部分复杂性，使您可以用最少的代码更改在数据库之间切换。 例如，将 FAISS 交换为 Milvus 主要涉及修改文档存储初始化并调整索引参数。 确保您的嵌入模型与索引期间使用的模型匹配，以保持存储向量和查询结果之间的一致性。 这种方法使您可以专注于构建搜索管道，而无需深入了解向量数据库内部结构。