本论文研究了大语言模型（LLM），结合电力行业的生命周期评估（LCA）领域的英文文献，对

这些文献进行解析。通过处理，构建了一个完整的向量知识库，能够直接被大语言模型调用，极大

程度地增强了大语言模型在特定领域的可信度和实用性。

项目的关键成果之一是建立了一个大模型能直接调用的向量知识库，构成了一个智能的文献处

理系统。引入了检索增强生成（RAG）技术可以显着提升大语言模型在专业领域的表现。它可以改

善信息检索的精度和效率，使得模型在生成文本时能够更好地借鉴外部知识和信息，从而产生更准

确、更有用的内容。该文献处理系统经过了实际测试，并以 Chatbot 模式展现了良好的应用效果。

而后，通过不断对系统进行性能评估和用户反馈，进行了多次优化，以确保其稳健性和可靠性。

尽管在数据预处理和模型优化方面面临挑战，但本研究证明了 LLM 在专业领域应用中的潜力。

无论是医疗、法律还是其他任何需要处理和分析大量文献的领域，都可以借鉴本研究的成果，构建

类似的向量知识库和智能处理系统。这将极大地促进跨领域的知识融合和技术创新，推动各行业的

智能化发展。

1 研究背景

在信息技术和网络技术的快速发展下，共享信息资源的规模也在迅速增长，人们在工作和生活

中使用各种多样的信息资源，包括语音、短视频、聊天信息等。然而，日常生活中更多的信息以自

由形式存在，包括文本文档、图像、音视频、社交媒体帖子以及电子邮件等。这些不同于以往明确

定义和固定结构的数据，被称为非结构化数据，通常不容易用表格或数据库的形式来组织和存储。

这种数据的形式和内容各异，包括文本、图像、音频、视频等形式。大数据技术的兴起，越来越多

的非结构化数据被记录和存储，例如传感器数据、日志文件、社交媒体数据等。这些数据的规模庞

大、类型多样，传统的数据库系统已经不能很好地处理，需要新的处理和分析技术来应对。而人工

智能和机器学习技术的发展，处理非结构化数据的能力得到了进一步提升。自然语言处理、计算机

视觉等技术使得计算机能够更好地理解和分析文本、图像等非结构化数据，从中提取有用的信息和

知识。