FAISS.from_documents执行过慢如何优化？GPU版本安装失败求助

我编写了如下代码：

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS

codex = 'Some very very VERY long string'

chunk_size = 750
chunk_overlap = chunk_size // 25 
text_splitter = RecursiveCharacterTextSplitter(chunk_size=chunk_size, chunk_overlap=chunk_overlap)
docs = text_splitter.create_documents([codex])

modelPath = "intfloat/multilingual-e5-large"

model_kwargs = {'device': 'cuda'}
encode_kwargs = {'normalize_embeddings': False}

embeddings = HuggingFaceEmbeddings(
    model_name=modelPath,
    model_kwargs=model_kwargs,
    encode_kwargs=encode_kwargs
)

随后尝试构建向量数据库：

db = FAISS.from_documents(docs, embeddings)

但该代码段执行耗时极长（超过2小时后我终止了程序）。最初Python提示我安装faiss-cpu，我尝试安装GPU版本但未成功，请问如何提升该步骤的执行速度？

• 搞定FAISS GPU版本安装
  这是提速核心，FAISS GPU版本构建向量库的速度比CPU快一个数量级以上。安装失败多因环境不匹配：

  • 先用nvcc --version查看CUDA版本，安装对应版本的faiss-gpu，比如CUDA 11.8可执行pip install faiss-gpu==1.7.4；
  • 用conda安装成功率更高，执行conda install -c pytorch faiss-gpu，conda会自动适配环境。

• 优化嵌入模型批量编码效率
  默认单条编码效率低，在encode_kwargs中添加批量参数，根据显存调整大小：

  encode_kwargs = {'normalize_embeddings': False, 'batch_size': 64}
  

  12G显存可尝试设为128，一次性处理更多文本块。

• 调整文本分块参数
  若文本块总数过多（如百万级），适当调大chunk_size（比如1000或1500），减少需要编码的文档总数，间接提升速度。

• 验证模型是否在GPU运行
  有时设置device='cuda'后模型仍在CPU运行，添加代码验证：

  print(embeddings.client.device)
  

  输出cuda才正常，否则用torch.cuda.is_available()检查PyTorch的GPU支持，重装对应CUDA版本的PyTorch。

• 临时降级嵌入模型（应急方案）
  若GPU版本无法安装，可换成更小的模型如intfloat/multilingual-e5-base，编码速度会大幅提升，效果虽略有下降但能满足多数场景需求。

内容的提问来源于stack exchange，提问作者Shinshila Anarhist