在 Python 中使用 Faiss 的 `IndexFlatL2` 来使相似度的值在 0 至 1 区间，您可以对计算得到的原始相似度值进行归一化处理。以下是一个示例代码： ```python import faiss import numpy as np # 假设您已经有了原始的相似度值向量 similarity_values similarity_values = np.array([10, 20, 30]) # 归一化到 0 至 1 区间 normalized_similarity_values = (similarity_values - np.min(similarity_values)) / (np.max(similarity_values) - np.min(similarity_values)) print(normalized_similarity_values) ``` 额外需要注意的逻辑点： 1. 确保输入的相似度值是有效的数值类型。 2. 处理可能出现的异常情况，例如输入为空或包含无效值。 3. 对于不同的数据分布，可能需要考虑更合适的归一化方法。 [2025-04-14 18:59:24 | AI写代码神器 | 218点数解答]