理和团队协作，是一种值得推广和使用的工具。最后，利用大语言模型对电力行业 LCA 英文文献进

行内容解析具有重要的研究意义，可帮助研究者综述归纳、提取关键词、挖掘问题和解决方案、进

行数据分析和模型建立，以及预测未来发展趋势，为该领域的研究提供理论基础和实践指导，推动

整个社会朝着更加可持续的未来迈进。

1）获取实验数据并预处理数据，包括爬取数量尽可能多的关于电力行业的 LCA 的英文文

献，对其元数据进行处理，构建数据库。

（2）对论文进行分割，利用字体大小等因素，并将论文中不同格式的数据（文本、表、图

等）分类读取。

（3）针对上述数据集，进行特征提取，将文本转换为向量表示，提取图像数据特征，转换为

向量形式，保证每个样本都被表示为相同长度的向量，便于比较和检索。选择索引结构，对于给定

的查询向量进行相似度检索和检查，返回相似的向量或数据项,如图 1.3 所示。

（4）大模型调用该向量数据库，测试大模型回答电力 LCA 领域的专业性问题的能力。

向量知识库是一个高效、结构化的数据存储系统，它将各类数据（如文本、图像、音频等）转

化为向量形式进行存储。这种表示方式使得数据之间的相似性和关联性得以量化，从而支持更为精

确和高效的信息检索与数据分析。向量知识库使用特殊的数据结构和索引方法来优化查询效率，可

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